基于属性感知损失的鲁棒 RGB-D 人脸识别
计算机视觉与模式识别
2019-05-20 v2
摘要
现有的基于卷积神经网络（CNN）的人脸识别算法通常学习一个判别性特征映射，使用的损失函数强制不同类特征分离和/或同类特征聚合。然而，它们可能受到训练数据中偏置（如采样密度不均）的影响，因为它们优化所学特征的邻接关系而未考虑底层人脸的邻近性。此外，由于仅使用人脸图像训练，所学特征映射可能无法正确指示性别、种族等其他属性的关系，而这些属性对某些人脸识别应用十分重要。本文中，我们提出一种新的基于 CNN 的人脸识别方法，将这些属性纳入训练过程。通过使用以属性邻近性正则化特征映射的属性感知损失函数，我们的方法学到了与属性相关的更具判别性的特征。我们在一个大规模 RGB-D 数据集上训练人脸识别模型，该集包含真实应用条件下采集的超过 10 万身份。通过在多种实验上与其他方法比较，我们证明了深度通道与属性感知损失大幅提升了人脸识别的准确率与鲁棒性。
引用
@article{arxiv.1811.09847,
title = {Robust RGB-D Face Recognition Using Attribute-Aware Loss},
author = {Luo Jiang and Juyong Zhang and Bailin Deng},
journal= {arXiv preprint arXiv:1811.09847},
year = {2019}
}