利用目标风格对抗方法提升非约束人脸识别的性能
计算机视觉与模式识别
2024-08-15 v1 人工智能
摘要
尽管深度人脸识别模型已展现出显著性能，但它们在训练数据之外领域的输入上往往表现不佳。近期尝试旨在通过依赖计算成本高昂且本质上具有挑战性的图像空间增强来扩展训练集。在一个正交方向上，我们提出了一种通过插值标记集和未标记集之间实例级特征统计来扩展训练数据的简单而有效的方法。我们的方法称为目标风格对抗（TSA），其动机来自两个观察：（i）输入领域反映在特征统计中，（ii）人脸识别模型性能受风格信息影响。向未标记风格偏移隐式地合成了具有挑战性的训练实例。我们设计了一种可识别性度量来约束框架以保留标记实例固有的身份相关信息。我们的方法在非约束基准测试上的有效性得到了验证，在优于或与竞争方法持平的性能下，训练速度提升了近70%，内存消耗减少了40%。
引用
@article{arxiv.2408.07642,
title = {Boosting Unconstrained Face Recognition with Targeted Style Adversary},
author = {Mohammad Saeed Ebrahimi Saadabadi and Sahar Rahimi Malakshan and Seyed Rasoul Hosseini and Nasser M. Nasrabadi},
journal= {arXiv preprint arXiv:2408.07642},
year = {2024}
}