无约束人脸验证中协变量效应的实验评估
计算机视觉与模式识别
2019-03-05 v1
摘要
协变量是对人脸验证性能产生削弱作用的因素。本文针对无约束人脸验证全面研究了两个与协变量相关的问题：其一，协变量如何影响深度神经网络在大规模无约束人脸验证问题上的性能；其二，如何利用协变量提升验证性能。针对第一个问题，我们实现了五种最先进的深度卷积网络（DCNNs）用于人脸验证，并在三个具有挑战性的协变量数据集上进行了评估。共考虑了七种协变量：姿态（偏航与翻滚）、年龄、面部毛发、性别、室内/室外、遮挡（鼻嘴可见性、眼睛可见性、前额可见性）以及肤色。这些协变量涵盖了人脸的内在主体特征与外在因素。部分结果证实并拓展了既往研究的发现，其余则为以往鲜有提及或未曾呈现一致趋势的新发现。针对第二个问题，我们证明借助性别信息可进一步改善用于人脸识别的预筛选含噪大规模人脸数据集的质量。在使用筛选后数据重新训练人脸识别模型后，在低错误接受率（FAR）（FAR=、、）下观察到性能提升。
引用
@article{arxiv.1808.05508,
title = {An Experimental Evaluation of Covariates Effects on Unconstrained Face Verification},
author = {Boyu Lu and Jun-Cheng Chen and Carlos D. Castillo and Rama Chellappa},
journal= {arXiv preprint arXiv:1808.05508},
year = {2019}
}