面向近红外-可见光与可见光-可见光人脸识别的联合特征分布对齐学习
计算机视觉与模式识别
2022-04-26 v1 机器学习
摘要
得益于深度学习的最近发展，可见光(VIS)图像的人脸识别取得了很高的准确率。然而，异构人脸识别(HFR)作为不同域之间的人脸匹配，由于域差异以及缺乏大规模HFR数据集，仍然是一项困难的任务。若干方法试图通过微调来减小域差异，但这会导致VIS域性能的显著下降，因为其丢失了高度判别性的VIS表示。为克服该问题，我们提出联合特征分布对齐学习(JFDAL)，这是一种利用知识蒸馏的联合学习方法。它使我们能够在保持VIS域原有性能的同时实现较高的HFR性能。大量实验表明，在公开HFR数据集Oulu-CASIA NIR&VIS以及FLW、CFP、AgeDB等流行的VIS域验证数据集上，我们提出的方法相比传统微调方法在统计上显著更优。此外，与现有最先进HFR方法的对比实验表明，我们的方法在Oulu-CASIA NIR&VIS数据集上取得了可媲美的HFR性能，且VIS性能退化更小。
引用
@article{arxiv.2204.11434,
title = {Joint Feature Distribution Alignment Learning for NIR-VIS and VIS-VIS Face Recognition},
author = {Takaya Miyamoto and Hiroshi Hashimoto and Akihiro Hayasaka and Akinori F. Ebihara and Hitoshi Imaoka},
journal= {arXiv preprint arXiv:2204.11434},
year = {2022}
}
备注
8 pages, 5 figures. Accepted at IJCB 2021