基于最大熵与 Objectosphere 损失的开放集人脸识别
计算机视觉与模式识别
2023-11-02 v1
摘要
开放集人脸识别刻画了一种场景：在训练与注册阶段未见的未知个体在运行期出现。本工作聚焦于监视名单（watchlist），这是一种开放集任务，期望以低错误正向识别率运行，且通常每个身份仅包含少量注册样本。我们引入了一种紧凑的适配网络，当与不同代价函数（如 Objectosphere 损失（OS）与所提最大熵损失（MEL））结合时，可受益于额外的负人脸图像。MEL 改进传统交叉熵损失，以增大负样本的熵，并对已知目标类别附加惩罚，从而实现库内专门化。所提方法采用预训练深度神经网络（DNN）作为人脸识别特征提取器。随后，适配网络接收深度特征表示，并替代预训练 DNN 的输出层，以实现灵活的域适应。在 LFW、IJB-C 与 UCCS 三个不同数据集上遵循开放集协议取得了有前景的结果，且在恰当选取补充负数据微调适配网络时达到了最先进性能。
引用
@article{arxiv.2311.00400,
title = {Open-Set Face Recognition with Maximal Entropy and Objectosphere Loss},
author = {Rafael Henrique Vareto and Yu Linghu and Terrance E. Boult and William Robson Schwartz and Manuel Günther},
journal= {arXiv preprint arXiv:2311.00400},
year = {2023}
}
备注
Accepted for publication in Image and Vision Computing 2023