婴幼儿面孔识别深度学习评估：年龄跨发育阶段的影响
计算机视觉与模式识别
2026-01-06 v1
摘要
婴幼儿面孔识别因面部形态快速变化、类间相似性高以及数据集稀缺等独特挑战而面临困难。本研究在跨越 24 个月、包含七次评估、涵盖 0 至 3 岁儿童的纵向数据集上，评估了四种深度学习面孔识别模型 FaceNet、ArcFace、MagFace 和 CosFace 的性能。我们的分析检验了不同发育阶段下的识别准确率，发现在 0 至 6 个月的婴幼儿时期，TAR 仅为 0.1% FAR 下的 30.7%，由于面部特征不稳定。性能在年幼儿童中显著提升，在 2.5 至 3 岁年龄段可达 64.7% TAR。我们还评估了不同时间间隔下的验证性能，发现较短的时间间隔结果更准确，因嵌入漂移较小。为缓解此漂移，我们应用域对抗神经网络（DANN）方法，可使 TAR 提升超过 12%，获得更稳定、更具可迁�性的特征。这些发现对构建在智慧城市应用中可靠运行的生物识别系统至关重要，包括公共卫生、儿童安全和数字身份服务等。早期年龄段所观察到的挑战凸显了针对时间可变性、尤其是在安全受监管的城市环境中处理儿童验证的隐私保护生物识别系统的未来研究的重要性。
引用
@article{arxiv.2601.01680,
title = {Evaluating Deep Learning-Based Face Recognition for Infants and Toddlers: Impact of Age Across Developmental Stages},
author = {Afzal Hossain and Mst Rumana Sumi and Stephanie Schuckers},
journal= {arXiv preprint arXiv:2601.01680},
year = {2026}
}
备注
Accepted and presented at IEEE IJCB 2025 conference; final published version forthcoming