面向低分辨率人脸识别的深度竞争惩罚竞争学习
计算机视觉与模式识别
2021-08-04 v1
摘要
当前人脸识别任务通常在高品质人脸图像上进行，但现实中大多数人脸图像是在不受约束或较差条件下（例如视频监控）捕获的。现有方法的特点是通过学习数据不确定性来避免过拟合噪声，或通过在归一化softmax损失的角度或余弦空间中增加间隔来惩罚目标logit，从而增强类内紧凑性和类间差异性。本文提出一种用于低分辨率（LR）图像深度人脸识别的深度竞争惩罚竞争学习（RPCL）方法。受RPCL思想的启发，我们的方法进一步对竞争logit施加约束，竞争logit定义为输入图像的最大非目标logit。与仅考虑惩罚目标logit的现有方法不同，我们的方法不仅加强对目标标签的学习，还强制一个反向过程，即对竞争标签进行去学习。综合实验表明，我们的方法改进了现有最先进方法，使其对LR人脸识别具有极强的鲁棒性。
引用
@article{arxiv.2108.01286,
title = {Deep Rival Penalized Competitive Learning for Low-resolution Face Recognition},
author = {Peiying Li and Shikui Tu and Lei Xu},
journal= {arXiv preprint arXiv:2108.01286},
year = {2021}
}
备注
30 pages, 10 figures