利用遮挡图和批次三元组损失增强卷积神经网络的人脸识别能力

尽管卷积神经网络近期在计算机视觉应用中取得了成功，但无约束人脸识别仍然是一个挑战。在这项工作中，我们对该领域做出了两项贡献。首先，我们考虑了存在部分遮挡的人脸识别问题，并展示了当前方法在处理此类人脸图像时可能遭受显著的性能下降。我们提出了一种简单的方法来找出人脸哪些部分对于实现高识别率更为重要，并在训练期间利用该信息迫使卷积神经网络更均衡地从所有人脸区域学习判别性特征，包括那些典型方法往往关注较少的区域。我们使用 AR 人脸数据库测试了所提方法在处理真实遮挡时的准确性。其次，我们提出了一种名为批次三元组损失（batch triplet loss）的新型损失函数，它通过向损失函数中添加一个额外项来最小化正负分数的标准差，从而改进了三元组损失的性能。我们通过将所提出的两种调整应用于卷积神经网络训练，在 Labeled Faces in the Wild (LFW) 基准上展示了持续的性能提升。