用于年龄不变人脸识别的跨年龄对比学习

跨年龄人脸图像的收集通常既具挑战性又成本高昂，使得无噪声的年龄导向数据集相较于广泛使用的大规模人脸数据集而言规模较小。此外，在实际场景中，通常难以甚至无法获取同一对象在不同年龄的图像。这两个因素都导致了监督数据的缺乏，限制了监督方法在年龄不变人脸识别（安防与生物识别等应用中的一项关键任务）中的通用性。为解决这一问题，我们提出了一种名为跨年龄对比学习（CACon）的新型半监督学习方法。得益于近期人脸合成模型的身份保持能力，CACon 引入了一种新的对比学习方法，利用从输入图像额外合成的样本。我们还提出了一个与 CACon 关联的新损失函数，以对三元组样本执行对比学习。我们证明，我们的方法不仅在多个年龄不变人脸识别基准的同构数据集实验中取得了 SOTA 性能，而且在跨数据集实验中也以较大优势优于其他方法。