基于RankList的面部识别系统出路如何？

在野外环境中的人脸识别近年来受到了广泛关注，许多人脸识别模型设计用于对中等质量图像进行人脸验证。由于大量类似条件下的训练数据集的可得性，深度人脸识别模型在此类任务上表现卓越。然而，在训练数据大幅减少的其他任务中，这些方法会提出困难，尤其是在需要将高质量注册图像与低质量探测图像进行比较时。相反，传统的RankList方法开发了通过与具有相似条件的队列人脸进行间接比较来实现人脸识别。本文我们重审这些RankList方法，并将其扩展以使用最新DaliFace网络的logits，而非外部队列。我们表明，通过合理的Logit-队列选择（LoCoS），RankList方法的性能可获得显著提升。实验在两个具有挑战性的人脸识别数据集上不仅展示了我们所提出方法的增强性能，还为处理不同图像质量的未来进展奠定了基础。