GaussianFace在LFW上超越人类水平的人脸验证性能
计算机视觉与模式识别
2014-12-23 v3 机器学习
机器学习
摘要
在姿态、光照、表情和遮挡等复杂条件下，人脸验证仍然是一个具有挑战性的问题。当我们不切实际地依赖单一训练数据源时，这一问题更加严重，因为单一数据源往往不足以覆盖内在复杂的人脸变化。本文提出了一种基于判别式高斯过程潜变量模型的多任务学习方法，名为GaussianFace，以丰富训练数据的多样性。与现有方法相比，我们的模型利用来自多个源域的额外数据，以提高在未知目标域上人脸验证的泛化性能。重要的是，我们的模型能够自动适应复杂的数据分布，因此可以很好地捕捉多个源中固有的复杂人脸变化。大量实验证明了所提模型在从多样化数据源学习并泛化到未见域方面的有效性。具体而言，我们的算法在著名且具有挑战性的LFW（Labeled Faces in the Wild）基准上达到了98.52%的惊人准确率。这是首次在人脸验证中超越人类水平（97.53%）的性能。
引用
@article{arxiv.1404.3840,
title = {Surpassing Human-Level Face Verification Performance on LFW with GaussianFace},
author = {Chaochao Lu and Xiaoou Tang},
journal= {arXiv preprint arXiv:1404.3840},
year = {2014}
}
备注
Appearing in Proceedings of the 29th AAAI Conference on Artificial Intelligence (AAAI-15), Oral Presentation