SASMU：利用合成人脸数据集提升广义识别模型性能
计算机视觉与模式识别
2023-06-05 v1
摘要
如今，随着数十年来人脸识别技术的发展，部署一个鲁棒的人脸识别产品变得容易。不仅证件照验证，最先进的方法也几乎可以完美处理非受限场景图像。然而，由于主流研究成果由大量网络爬取数据驱动，隐私侵犯问题引发担忧且迅速升温。学界试图通过使用合成数据训练人脸识别模型来彻底摆脱这一困境，但面临严重的域间隙问题，仍需要访问真实图像与身份标签来微调模型。本文中，我们提出 SASMU，一种使用合成数据集进行人脸识别的简单、新颖且有效的方法。我们提出的方法由空间数据增强（SA）与频谱混合（SMU）组成。我们首先分析现有用于开发人脸识别系统的合成数据集。随后，我们揭示在使用合成数据时，重度数据增强有助于提升性能。通过分析先前的频率混合研究，我们提出了一种用于域泛化的新方法。大量实验结果证明了 SASMU 的有效性，在 LFW、AgeDB-30、CA-LFW、CFP-FP 和 CP-LFW 等多个常用基准上取得了最先进的性能。
引用
@article{arxiv.2306.01449,
title = {SASMU: boost the performance of generalized recognition model using synthetic face dataset},
author = {Chia-Chun Chung and Pei-Chun Chang and Yong-Sheng Chen and HaoYuan He and Chinson Yeh},
journal= {arXiv preprint arXiv:2306.01449},
year = {2023}
}
备注
under review