自动人脸理解：照片中的亲属识别

我们构建了规模最大的亲属识别数据库。数据使用一种新颖的聚类算法进行标注，该算法利用标签提议作为侧信息以引导更精确的聚类，大幅节省了时间与人工输入。统计上，FIW 相比其前身有巨大提升。我们设有若干基准：亲属验证、家族分类、三主体验证，以及大规模搜索与检索。我们还在 FIW 上训练了 CNN 并部署于知名的 KinWild I 和 II 上以取得 SOTA。最近，我们进一步用 MM 扩充了 FIW。如今，视频动态、音频与文本描述可用于亲属识别系统的决策。我们期望 FIW 将显著影响研究与现实应用。此外，我们解决了面部关键点定位这一经典问题。大多数此类网络的目标基于 L1 或 L2 范数，存在若干固有缺陷。关键点位置由生成的热图确定，预测关键点位置受罚而未考虑散布程度：高散布对应低置信度，反之亦然。为此，我们引入了一种对低置信度进行惩罚的目标。另一问题是依赖标注数据，其收集昂贵且易出错。我们通过提出一种利用无标注数据提升模型性能的对抗训练框架解决了这两个问题。我们的方法在知名基准上宣称达到 SOTA。此外，我们的模型鲁棒且规模减小：通道数为 1/8 时在 CPU 上实时性能可与 SOTA 媲美。最后，我们构建 BFW 作为衡量跨种族与性别子群偏见的代理，从而能刻画各子群上 FR 的性能。我们展示当使用单一阈值判断样本对是否为真对时性能非最优。