基于模板级知识蒸馏的掩码不变人脸识别
计算机视觉与模式识别
2021-12-13 v1
摘要
全球 COVID-19 大流行的出现给生物识别带来了新的挑战。非接触式生物识别选项不仅变得愈发重要，人脸识别近来也频繁面临佩戴口罩的情况。这些口罩隐藏了重要的身份特征信息，从而影响以往人脸识别系统的性能。本文提出一种掩码不变人脸识别方案（MaskInv），其在训练范式内利用模板级知识蒸馏，旨在生成与同身份未佩戴口罩人脸相似的佩戴口罩人脸嵌入向量。除蒸馏知识外，学生网络还借助基于间隔的身份分类损失 ElasticFace，使用佩戴口罩与未佩戴口罩人脸获得额外引导。在两个真实掩码人脸数据库和五个带合成口罩的主流数据库上的逐步消融研究中，我们验证了 MaskInv 方法的合理性。我们所提方案在近期 MFRC-21 挑战赛的两种场景（掩码对掩码、掩码对未掩码）中均优于以往最先进（SOTA）学术方案，并在 MFR2 数据集上超越先前方法。此外，我们证明所提模型在仅损失极少量验证性能的情况下，对未佩戴口罩人脸仍能表现良好。代码、训练模型以及合成掩码数据的评估协议均已公开：https://github.com/fdbtrs/Masked-Face-Recognition-KD。
引用
@article{arxiv.2112.05646,
title = {Mask-invariant Face Recognition through Template-level Knowledge Distillation},
author = {Marco Huber and Fadi Boutros and Florian Kirchbuchner and Naser Damer},
journal= {arXiv preprint arXiv:2112.05646},
year = {2021}
}
备注
Accepted at the 16th IEEE International Conference on Automatic Face and Gesture Recognition, FG 2021