DeepVisage：使人脸识别简洁且具备强大泛化能力
计算机视觉与模式识别
2017-04-10 v2
摘要
人脸识别方法通过采用基于卷积神经网络的学习方法报告了显著的性能。尽管 CNN 大多通过优化 softmax 损失来训练，但近期趋势显示，采用不同策略可提升准确率，例如使用不同损失函数的任务特定 CNN 学习、在目标数据集上微调、度量学习以及拼接多个 CNN 的特征。整合这些任务显然需要额外的努力。此外，这不利于发现仅用身份标签训练的高效 CNN 人脸识别模型。我们聚焦于此事实，提出一种易于训练且基于单一 CNN 的人脸识别方法。我们的 CNN 模型利用了残差学习框架。此外，它使用归一化特征来计算损失。我们广泛的实验展示了在不同数据集上的卓越泛化能力。我们在 LFW、IJB-A、YouTube Faces 和 CACD 数据集上取得了极具竞争力且领先的结果。
引用
@article{arxiv.1703.08388,
title = {DeepVisage: Making face recognition simple yet with powerful generalization skills},
author = {Abul Hasnat and Julien Bohné and Jonathan Milgram and Stéphane Gentric and Liming Chen},
journal= {arXiv preprint arXiv:1703.08388},
year = {2017}
}
备注
Second version (12 pages), under review