实证分析数据集偏差对深度人脸识别系统的影响
计算机视觉与模式识别
2018-04-20 v4
摘要
由于现代野外人脸数据集缺乏标注，其所含偏差类型尚属未知。其直接后果是，仅凭总识别率只能有限地反映深度卷积神经网络（DCNNs）的泛化能力。我们提出实证地研究不同类型数据集偏差对DCNNs泛化能力的影响。利用合成生成的人脸图像，我们将人脸识别率作为可解释参数（如人脸姿态与光照）的函数加以研究。所提方法可观察并比较不同DCNN架构泛化性能的有价值细节。在我们的实验中，我们发现：1）数据集偏差确实对DCNNs的泛化性能有显著影响。2）DCNNs对未见光照条件以及姿态变化中的大采样间隙具有令人惊讶的良好泛化能力。3）利用所提方法，我们揭示VGG-16架构在人脸识别任务上优于AlexNet架构，因为它能更好地泛化到未见人脸姿态，尽管其参数明显更多。4）我们揭示了当前DCNN架构的一个主要局限，即当不同身份不共享相同姿态变化时难以泛化。5）我们证明在合成数据上的发现同样适用于从真实世界数据学习的情况。我们的人脸图像生成器已公开可用，以便社区对其他DCNN架构进行基准测试。
引用
@article{arxiv.1712.01619,
title = {Empirically Analyzing the Effect of Dataset Biases on Deep Face Recognition Systems},
author = {Adam Kortylewski and Bernhard Egger and Andreas Schneider and Thomas Gerig and Andreas Morel-Forster and Thomas Vetter},
journal= {arXiv preprint arXiv:1712.01619},
year = {2018}
}
备注
Accepted to CVPR 2018 Workshop on Analysis and Modeling of Faces and Gestures (AMFG)