DotFAN：一种用于姿态与光照不变人脸识别的域迁移人脸增强网络
计算机视觉与模式识别
2020-02-25 v1
摘要
基于卷积神经网络(CNN)的人脸识别模型的性能在很大程度上依赖于带标签训练数据的丰富程度。然而，收集一个在不同姿态与光照变化下具有大量人脸身份差异的训练集非常昂贵，使得类内人脸图像的多样性成为实践中的关键问题。本文提出一种3D模型辅助的域迁移人脸增强网络(DotFAN)，其可基于从其他域收集的现有丰富人脸数据集中提炼的知识，生成输入人脸的一系列变体。DotFAN在结构上是一个条件CycleGAN，但具有两个额外的子网络，即人脸专家网络(FEM)与人脸形状回归器(FSR)，用于潜码控制。FSR旨在提取人脸属性，而FEM用于捕获人脸身份。借助它们，DotFAN能够学习解耦的人脸表示，并在保留增强人脸身份的同时有效生成具有各种面部属性的人脸图像。实验表明，DotFAN有益于增强小型人脸数据集以提升其类内多样性，从而可从增强数据集中学习到更好的人脸识别模型。
引用
@article{arxiv.2002.09859,
title = {DotFAN: A Domain-transferred Face Augmentation Network for Pose and Illumination Invariant Face Recognition},
author = {Hao-Chiang Shao and Kang-Yu Liu and Chia-Wen Lin and Jiwen Lu},
journal= {arXiv preprint arXiv:2002.09859},
year = {2020}
}
备注
12 pages, 10 figures