用于姿态不变人脸识别的多任务卷积神经网络
计算机视觉与模式识别
2018-02-14 v2
摘要
本文探讨了用于人脸识别的多任务学习（MTL）。我们回答了多任务学习如何以及为何能改善人脸识别性能的问题。首先，我们提出了一种用于人脸识别的多任务卷积神经网络（CNN），其中身份分类是主任务，而姿态、光照和表情估计是辅助任务。其次，我们开发了一种动态加权方案，以自动为每个辅助任务分配损失权重，这是多任务学习中的一个关键问题。第三，我们提出了一种姿态导向的多任务CNN，通过分组不同姿态来学习特定于姿态的身份特征，同时在所有姿态下联合学习。最后但并非最不重要的是，我们提出了一种基于能量的权重分析方法来探究基于CNN的多任务学习是如何工作的。我们观察到辅助任务充当正则化项，将变化从学到的身份特征中解耦。在完整的 Multi-PIE 数据集上的大量实验证明了所提方法的有效性。据我们所知，这是首次使用 Multi-PIE 中的所有数据进行人脸识别的工作。我们的方法也适用于野外数据集以实现姿态不变人脸识别，并在 LFW、CFP 和 IJB-A 数据集上取得了与最先进水平相当或更好的性能。
引用
@article{arxiv.1702.04710,
title = {Multi-Task Convolutional Neural Network for Pose-Invariant Face Recognition},
author = {Xi Yin and Xiaoming Liu},
journal= {arXiv preprint arXiv:1702.04710},
year = {2018}
}