面向未知域人脸识别的跨域相似性学习
计算机视觉与模式识别
2021-03-16 v1 机器学习
摘要
在训练与测试分布相同的假设下训练的人脸识别模型，在面对未知变化（如测试时出现的陌生种族或不可预测的个体妆容）时，往往泛化性能较差。本文提出一种新颖的跨域度量学习损失，称之为跨域三元组（Cross-Domain Triplet, CDT）损失，以提升未知域中的人脸识别性能。CDT损失通过迫使来自某一域的身份特征簇紧凑来鼓励学习语义有意义的特征，其中紧凑性由属于另一具有不同统计特性的训练域的底层相似性度量来度量。直观地说，它在一个统一损失函数中有判别性地将从一个域导出的显式度量与来自另一域的三元组样本相关联，并在网络内最小化，从而实现训练域间更好的对齐。在网络参数上进一步通过模型无关的学习流程强制学习域偏移下的泛化特征。与近期的工作元人脸识别（Meta Face Recognition）不同，我们的方法在训练时不需要精细的困难样本对挖掘与过滤策略。在各种人脸识别基准上的大量实验表明，与基线及最先进（SOTA）方法相比，我们的方法在处理变化方面具有优越性。
引用
@article{arxiv.2103.07503,
title = {Cross-Domain Similarity Learning for Face Recognition in Unseen Domains},
author = {Masoud Faraki and Xiang Yu and Yi-Hsuan Tsai and Yumin Suh and Manmohan Chandraker},
journal= {arXiv preprint arXiv:2103.07503},
year = {2021}
}
备注
Accepted to CVPR'21