面向多分辨率人脸识别的统一表征学习
计算机视觉与模式识别
2023-10-17 v1
摘要
本文提出 Branch-to-Trunk 网络（BTNet），一种用于多分辨率人脸识别的表征学习方法。该网络由一个主干网络（TNet，即统一编码器）和多个分支网络（BNets，即分辨率适配器）组成。根据输入，使用特定分辨率的分支网络，并将其输出作为特征图植入 TNet 特征金字塔中相同分辨率的层。由于缓解了由缩放（尤其是上采样）引入的插值误差，微小人脸的可判别性得到显著提升。通过分支蒸馏与向后兼容训练，BTNet 在保障表征兼容性的同时，将高分辨率判别信息迁移至多个分支。实验表明，该方法在人脸识别基准测试（包括多分辨率身份匹配与特征聚合）上性能强劲，且计算量与参数存储大幅减少。我们在极具挑战性的 QMUL-SurvFace 1:N 人脸辨识任务上取得了新的 SOTA。代码见 https://github.com/StevenSmith2000/BTNet。
引用
@article{arxiv.2310.09563,
title = {Learning Unified Representations for Multi-Resolution Face Recognition},
author = {Hulingxiao He and Wu Yuan and Yidian Huang and Shilong Zhao and Wen Yuan and Hanqing Li},
journal= {arXiv preprint arXiv:2310.09563},
year = {2023}
}
备注
Accepted to BMVC 2023