SFace：使用合成数据实现隐私友好且准确的人脸识别
计算机视觉与模式识别
2022-06-22 v1
摘要
文献中近期提出的深度人脸识别模型利用 MS-Celeb-1M 和 VGGFace2 等大规模公开数据集训练非常深的神经网络，在主流基准上达到了最先进的性能。近来，其中许多数据集（例如 MS-Celeb-1M 和 VGGFace2）因可信的隐私与伦理担忧而被撤回。这促使本工作提出并研究使用隐私友好的合成生成人脸数据集来训练人脸识别模型的可行性。为此，我们利用类条件生成对抗网络生成类标记的合成人脸图像，即 SFace。为解决使用此类数据训练人脸识别模型的隐私问题，我们针对合成数据集与用于训练生成模型的原始真实数据集之间的身份关联提供了广泛的评估实验。我们报告的评估证明，将真实数据集中的身份与合成数据集中具有相同类标签的身份相关联几乎是不可能的。我们还提出使用三种不同的学习策略——多类分类、无标签知识迁移以及多类分类与知识迁移的组合学习——在我们的隐私友好数据集 SFace 上训练人脸识别。在五个真实人脸基准上报告的评估结果表明，隐私友好的合成数据集极有潜力用于训练人脸识别模型，例如使用多类分类在 LFW 上达到 91.87% 的验证准确率，使用组合学习策略达到 99.13%。
引用
@article{arxiv.2206.10520,
title = {SFace: Privacy-friendly and Accurate Face Recognition using Synthetic Data},
author = {Fadi Boutros and Marco Huber and Patrick Siebke and Tim Rieber and Naser Damer},
journal= {arXiv preprint arXiv:2206.10520},
year = {2022}
}