DBLFace：用于近红外-可见光异构人脸识别的基于域的标签
计算机视觉与模式识别
2020-10-09 v1
摘要
基于深度学习的域不变特征学习方法在近红外与可见光 (NIR-VIS) 异构人脸识别中不断取得进展。然而，由于较大的类内差异以及缺乏用于训练的 NIR 图像，这些方法容易过拟合。在本文中，我们提出基于域的标签人脸 (DBLFace)，一种基于如下假设的学习方法：一个主体不是由单一标签表示，而是由一组标签表示。每个标签代表特定域的图像。具体而言，每个主体使用一组两个标签，一个用于 NIR 图像，一个用于 VIS 图像，来训练一个 NIR-VIS 人脸识别模型。将图像分类到不同域减少了类内差异，并减轻了训练中数据不平衡的负面影响。为使用标签集训练网络，我们引入基于域的角间隔损失和最大角损失，以维持类间差异并强化集合中标签的紧密关系。定量实验证实，DBLFace 在 EDGE20 数据集上将 rank-1 识别率显著提升了 6.7%，并在 CASIA NIR-VIS 2.0 数据集上取得了最先进 (state-of-the-art) 性能。
引用
@article{arxiv.2010.03771,
title = {DBLFace: Domain-Based Labels for NIR-VIS Heterogeneous Face Recognition},
author = {Ha Le and Ioannis A. Kakadiaris},
journal= {arXiv preprint arXiv:2010.03771},
year = {2020}
}
备注
accepted to IJCB20