面向低误报率姿态鲁棒人脸识别的全局范数感知池化
计算机视觉与模式识别
2018-08-02 v1
摘要
在本文中，我们提出一种新颖的全局范数感知池化（GNAP）模块，它根据卷积神经网络（CNN）中局部特征的 L2 范数自适应地重新加权，并通过全局平均池化层输出全局特征向量。我们的 GNAP 模块旨在为不同空间位置的局部特征赋予动态权重，同时不丢失空间对称性。我们在人脸特征嵌入 CNN 中使用 GNAP 模块，以生成用于姿态鲁棒人脸识别的判别性人脸特征向量。GNAP 模块计算代价极低，但对正脸-侧脸人脸识别非常有效。在 CFP 正脸-侧脸协议下，GNAP 模块不仅能显著降低等错误率（EER），还能大幅提升 TPR@FPR=0.1%（TPR 即真正率，FPR 即假正率）。我们的实验表明，GNAP 模块尤其在低误报率下大幅促进了姿态鲁棒人脸识别相对于基线模型的性能。
引用
@article{arxiv.1808.00435,
title = {Global Norm-Aware Pooling for Pose-Robust Face Recognition at Low False Positive Rate},
author = {Sheng Chen and Jia Guo and Yang Liu and Xiang Gao and Zhen Han},
journal= {arXiv preprint arXiv:1808.00435},
year = {2018}
}