规范人脸嵌入
计算机视觉与模式识别
2021-10-29 v3 人工智能
摘要
我们提供的证据表明，许多为人脸验证训练的常用卷积神经网络（CNN）所学到的函数在旋转下近乎等价。更具体地说，我们证明一个人的脸验证模型的嵌入（即最后一层激活）在经过仅旋转或线性变换后，可直接与另一模型的嵌入进行比较，且性能损失很小。这一发现通过使用IJB-C 1:1验证在十种现代现成基于CNN的人脸验证模型的所有组合上得到展示，这些模型在训练数据集、CNN架构、角度损失计算方法或三者某种组合上有所不同。这些网络在误接受率为0.01时达到了0.96的平均真正接受率。当改为评估由两个CNN生成的嵌入（其中一个CNN的嵌入经线性变换映射）时，在相同验证范式下平均真正接受率降至0.95。将这些线性映射限制为仅执行旋转时，平均真正接受率为0.91。这些映射的存在表明，尽管训练或结构存在差异，模型学习到了一种共同的表示。我们讨论了此类结果的广泛影响，包括一个关于人脸模板安全的示例。
引用
@article{arxiv.2106.07822,
title = {Canonical Face Embeddings},
author = {David McNeely-White and Ben Sattelberg and Nathaniel Blanchard and Ross Beveridge},
journal= {arXiv preprint arXiv:2106.07822},
year = {2021}
}
备注
13 pages, 9 figures, 3 tables