基于对比表示学习的掩码身份识别多数据集基准
计算机视觉与模式识别
2022-01-27 v1 图像与视频处理
摘要
COVID-19 大流行在全球范围内彻底改变了既有的规范。在过去一年中，口罩被用作限制病毒传播的公共卫生应对措施。这一突发变化使得许多基于人脸识别的门禁、认证和监控系统失效。护照、驾驶证和身份证等官方证件登记的是完全未遮挡的人脸图像。然而，在当前全球形势下，人脸匹配系统应能够将这些参考图像与佩戴口罩的人脸图像进行匹配。例如，在机场或安检点，将证件上的无遮挡图像与戴口罩的人员进行匹配，比要求其摘下口罩更为安全。我们发现，当前的人脸识别技术对这种形式的遮挡不具备鲁棒性。为应对这一由现状带来的特殊需求，我们提出了一套重新利用的数据集及供研究人员使用的基准。我们还提出了一种基于对比视觉表示学习的预训练流程，专门用于掩码与无掩码人脸匹配。我们确保所提方法学习到鲁棒的特征，以区分不同数据采集场景下的人脸。我们通过在多个不同数据集上训练，并在多个留出数据集上测试来验证结果。我们方法训练得到的专用权重在标准人脸识别特征之上，于掩码到无掩码人脸匹配任务中表现更优。我们相信，所提供的合成口罩生成代码、新颖的训练方法以及掩码人脸模型训练权重，将有助于现有人脸识别系统适应当前全球环境。我们将所有成果开源，以供研究界广泛使用。
引用
@article{arxiv.2106.05596,
title = {Multi-Dataset Benchmarks for Masked Identification using Contrastive Representation Learning},
author = {Sachith Seneviratne and Nuran Kasthuriaarachchi and Sanka Rasnayaka},
journal= {arXiv preprint arXiv:2106.05596},
year = {2022}
}