DaliID:面向识别模型的失真自适应学习不变性方法
计算机视觉与模式识别
2023-02-14 v1
摘要
在非受限场景中,人脸识别与行人重识别会受到运动模糊、大气湍流或上采样伪影等失真的影响。为提升这些场景下的鲁棒性,我们提出了一种称为失真自适应学习不变性识别(DaliID)模型的方法。我们认为,相较于已有文献所示,那些降低图像质量的失真增强可以被成功地以更大程度加以利用。在自适应加权调度策略的辅助下,一种新颖的失真增强在训练期间以极高强度被施加。该训练策略增强了特征层面对失真的不变性,并减小了向非受限场景的域偏移。在推理时,我们使用并行模型特征的幅度加权融合,以在各类图像范围内保持鲁棒性。DaliID模型在包括IJB-S、TinyFace、DeepChange和MSMT17在内的七个基准数据集上取得了人脸识别与行人重识别的state-of-the-art (SOTA)。此外,我们提供了750余米距离处的重捕获评估数据,并在真实远距离人脸图像上进一步验证。
引用
@article{arxiv.2302.05753,
title = {DaliID: Distortion-Adaptive Learned Invariance for Identification Models},
author = {Wes Robbins and Gabriel Bertocco and Terrance E. Boult},
journal= {arXiv preprint arXiv:2302.05753},
year = {2023}
}