用于侧脸识别的注意力引导渐进映射

得益于深度学习的进展，近年来人脸识别领域取得了巨大进步。然而，跨姿态人脸识别仍然是一个重大挑战。许多深度学习算法难以缩小由姿态变化引起的性能差距；其主要原因与不同姿态下人脸图像的类内差异以及训练数据集的姿态不平衡有关。通过遍历到正脸的特征空间来学习姿态鲁棒特征，提供了一种有效且廉价的方法来缓解该问题。在本文中，我们提出了一种利用注意力成对损失将侧脸表征渐进式变换到标准姿态的方法。首先，为降低直接将侧脸特征变换为正脸姿态的难度，我们提出以逐块方式学习源姿态与其邻近姿态之间的特征残差，从而通过加上学习到的残差遍历到更小姿态的特征空间。其次，我们提出注意力成对损失以引导特征变换沿最有效方向进行。最后，我们提出的渐进模块和注意力成对损失轻量且易于实现，仅增加约 7.5% 的额外参数。在 CFP 和 CPLFW 数据集上的评估证明了我们所提方法的优越性。代码见 https://github.com/hjy1312/AGPM。