面向人脸识别的类间差异对齐
计算机视觉与模式识别
2021-03-03 v1
摘要
随着深度学习的兴起,人脸识别(FR)领域取得了巨大进展。现有方法主要关注提取判别性特征,并直接以逐点方式计算余弦或 L2 距离,而未考虑上下文信息。在本研究中,我们有一个关键发现:由实例与其类间近邻之间的相似性所表示的局部上下文对 FR 起着重要作用。具体而言,我们试图将特征空间中的局部信息纳入度量,并提出了一个称为类间差异对齐(IDA)的统一框架,包含两个专用模块:差异对齐算子(IDA-DAO)与支持集估计(IDA-SSE)。IDA-DAO 用于在对齐相似度分数时考虑图像与其近邻之间的差异,该差异由超球面上的自适应支持集定义。对于实际推理,在线推理期间难以获取支持集。IDA-SSE 可通过引入由 GAN 生成的虚拟候选图像来提供可信的类间近邻。此外,我们提出了可学习的 IDA-SSE,它可在评估过程中无需任何其他图像即可隐式给出估计。所提 IDA 可无缝且高效地集成到现有 FR 系统中。大量实验表明,该框架能够 1)显著提升准确率,2)使模型对多种分布的面部图像具有鲁棒性。不借助额外技巧,我们的方法在多个标准 FR 基准上取得了最先进的性能。
引用
@article{arxiv.2103.01559,
title = {Inter-class Discrepancy Alignment for Face Recognition},
author = {Jiaheng Liu and Yudong Wu and Yichao Wu and Zhenmao Li and Chen Ken and Ding Liang and Junjie Yan},
journal= {arXiv preprint arXiv:2103.01559},
year = {2021}
}