面向可扩展人脸图像检索的正交积量化网络

现有深度量化方法为大规模图像检索提供了高效方案。然而，人脸图像中姿态、光照与表情等显著类内差异，仍对人脸图像检索构成挑战。有鉴于此，人脸图像检索需要足够强大的学习度量，而当前深度量化工作尚缺此类度量。此外，为应对查询阶段不断增长的未见身份，相比通用图像检索任务，人脸图像检索对模型泛化性与系统可扩展性提出更高需求。本文将对积量化与正交约束整合进端到端深度学习框架，以有效检索人脸图像。具体而言，提出一种以预定义正交向量作为码本的新方案，以增强量化信息量并降低码本冗余。定制的损失函数在每个量化子空间内最大化量化特征与原始特征在身份间的可分辨性。引入基于熵的正则项以减小量化误差。在四个常用人脸数据集上于所见与未见身份检索设定下开展实验。我们的方法在两种设定下均优于所有对比的深度哈希/量化最优方法。结果验证了所提正交码本在提升模型标准检索性能与泛化能力上的有效性。结合在两个通用图像数据集上的进一步实验，表明了我们的方法在可扩展图像检索上的广泛优越性。