深度学习人脸识别模型应对图像退化的优势与劣势
机器学习
2018-04-11 v1
摘要
基于深度卷积神经网络（CNN）的方法在包括人脸识别在内的各种计算机视觉任务中处于 state-of-the-art。目前大量的研究致力于通过关注更强大的模型架构和更好的学习技术来进一步改进深度 CNN。然而，在文献中，系统性地探讨现有人脸识别深度模型的优势与劣势的研究仍然相对稀缺。本文试图填补这一空白，利用 Labeled Faces in the Wild (LFW) 数据集，研究不同协变量对四种近期深度 CNN 模型验证性能的影响。具体而言，我们调查了与以下方面相关的协变量的影响：图像质量——模糊、JPEG 压缩、遮挡、噪声、图像亮度、对比度、缺失像素；以及模型特征——CNN 架构、颜色信息、描述符计算；并分析了它们对 AlexNet、VGG-Face、GoogLeNet 和 SqueezeNet 人脸验证性能的影响。基于全面且严格的实验，我们识别了深度学习模型的优势与劣势，并提出了未来潜在研究的关键领域。结果表明，高水平的噪声、模糊、缺失像素和亮度对所有模型的验证性能都有不利影响，而对比度变化和压缩伪影的影响有限。研究发现，描述符计算策略和颜色信息对性能没有显著影响。
引用
@article{arxiv.1710.01494,
title = {Strengths and Weaknesses of Deep Learning Models for Face Recognition Against Image Degradations},
author = {Klemen Grm and Vitomir Štruc and Anais Artiges and Matthieu Caron and Hazim Kemal Ekenel},
journal= {arXiv preprint arXiv:1710.01494},
year = {2018}
}