基于Transformer增强损失函数的抗衰老人脸识别

衰老是人脸识别中的一个重大挑战，因为皮肤纹理和色调随时间变化会改变面部特征，这使得比较同一个人相隔多年拍摄的图像（例如在长期身份识别场景中）变得尤为困难。Transformer网络具有保留由衰老效应引起的序列空间关系的优势。本文提出了一种在人脸识别领域使用Transformer网络作为附加损失函数的损失评估技术。标准的度量损失函数通常将主CNN骨干网络的最终嵌入作为其输入。在此，我们采用了一种Transformer-度量损失，这是一种结合了Transformer损失和度量损失的组合方法。本研究旨在分析当CNN的输出结果被排列成序列向量时，Transformer在卷积输出上的行为。这些序列向量有可能克服由衰老引起的纹理或区域结构（即皱纹或皮肤松弛）。Transformer编码器从网络最终卷积层获得的上下文向量中获取输入。学习到的特征可以更具年龄不变性，从而补充标准度量损失嵌入的判别能力。通过这项技术，我们将Transformer损失与各种基础度量损失函数结合使用，以评估组合损失函数的效果。我们观察到，这种配置使得网络能够在LFW和年龄变化数据集（CA-LFW和AgeDB）上取得最先进的结果。这项研究扩展了Transformer在机器视觉领域的作用，并为探索Transformer作为损失函数开辟了新的可能性。