AdaFace：面向人脸识别的质量自适应间隔
计算机视觉与模式识别
2023-02-17 v2
摘要
在低质量人脸数据集上进行识别具有挑战性，因为面部属性被遮挡和退化。基于间隔的损失函数的进展增强了嵌入空间中人脸的可判别性。此外，先前的研究考察了自适应损失的效果，以对误分类（困难）样本赋予更高的重要性。在这项工作中，我们引入了损失函数中自适应性的另一个方面，即图像质量。我们认为，强调误分类样本的策略应根据其图像质量进行调整。具体而言，简单或困难样本的相对重要性应基于样本的图像质量。我们提出了一种新的损失函数，根据图像质量强调不同难度的样本。我们的方法以自适应间隔函数的形式，通过用特征范数近似图像质量来实现这一点。大量实验表明，我们的方法 AdaFace 在四个数据集（IJB-B、IJB-C、IJB-S 和 TinyFace）上相比最先进的（SoTA）方法提升了人脸识别性能。代码和模型发布于 https://github.com/mk-minchul/AdaFace。
引用
@article{arxiv.2204.00964,
title = {AdaFace: Quality Adaptive Margin for Face Recognition},
author = {Minchul Kim and Anil K. Jain and Xiaoming Liu},
journal= {arXiv preprint arXiv:2204.00964},
year = {2023}
}
备注
Published in CVPR2022 (Oral)