用于人脸验证的受限感受野
计算机视觉与模式识别
2026-02-10 v2
摘要
理解深度神经网络如何做出决策对于分析其行为与诊断失败案例至关重要。在计算机视觉中,提升可解释性的一种常见方法是使用事后方法为单个像素赋予重要性。尽管这些方法被广泛用于解释黑盒模型,但由于缺乏可靠的评估指标,其对模型真实推理过程的忠实度并不确定。这一局限性促使我们采用另一种方法,即设计决策过程本身即可解释的模型。为此,我们提出了一种人脸相似度度量方法,将全局相似度分解为来自受限感受野的贡献。我们的方法将两张人脸图像之间的相似度定义为各图像块级相似度得分之和,从而在不依赖事后分析的情况下提供局部可加的解释。我们证明,即便在 112×112 人脸图像中使用小至 28×28 的图像块,所提方法仍能达到具有竞争力的验证性能;而当使用 56×56 的图像块时,其性能超过当前最优方法。
引用
@article{arxiv.2510.10753,
title = {Restricted Receptive Fields for Face Verification},
author = {Kagan Ozturk and Aman Bhatta and Haiyu Wu and Patrick Flynn and Kevin W. Bowyer},
journal= {arXiv preprint arXiv:2510.10753},
year = {2026}
}