基于深度学习的单样本人脸识别综述

人脸识别长期以来一直是人工智能领域的一个活跃研究领域，尤其是近年来深度学习的兴起。在一些实际情况下，每个身份只有一个样本可用于训练。这种情况下面临的人脸识别被称为单样本人脸识别，对深度模型的有效训练提出了重大挑战。因此，近年来，研究人员试图释放深度学习的更多潜力，提高模型在单样本情况下的识别性能。虽然已有几篇关于传统单样本人脸识别方法的全面综述，但新兴的基于深度学习的方法很少被涵盖。因此，本文聚焦于基于深度学习的方法，将其分为虚拟样本方法和通用学习方法。在前一类中，生成虚拟图像或虚拟特征以有益于深度模型的训练。在后一类中，使用额外的多样本通用集。通用学习方法有三种类型：结合传统方法和深度特征、改进损失函数、改进网络结构，所有这些都在我们的分析中涵盖。此外，我们回顾了常用于评估单样本人脸识别模型的人脸数据集，并比较了不同类型模型的结果。此外，我们讨论了现有单样本人脸识别方法的问题，包括虚拟样本方法中的身份信息保留、通用学习方法中的域适应。此外，我们认为开发无监督方法是一个有前景的未来方向，并指出语义差距是一个需要进一步考虑的重要问题。