DisguiseNet：一种用于真实场景下伪装人脸验证的对比学习方法
计算机视觉与模式识别
2018-04-27 v2
摘要
本文描述了我们针对 Disguised Faces in the Wild（DFW）2018 挑战赛的方法。其任务是在伪装图像与冒名者图像中验证人的身份。鉴于人脸验证任务的重要性，在通用平台上比较各类方法至关重要。我们的方法基于 VGG-face 架构，并配对基于余弦距离度量的对比损失（Contrastive loss）。为扩充数据集，我们从互联网获取更多数据。实验显示了该方法在 DFW 数据上的有效性。我们表明，向带有噪声标签的 DFW 数据集添加额外数据亦有助于提升网络的泛化性能。所提出的网络相较 DFW 基线在准确率上实现了 27.13% 的绝对提升。
引用
@article{arxiv.1804.09669,
title = {DisguiseNet : A Contrastive Approach for Disguised Face Verification in the Wild},
author = {Skand Vishwanath Peri and Abhinav Dhall},
journal= {arXiv preprint arXiv:1804.09669},
year = {2018}
}