用于人脸验证与识别的模板自适应
计算机视觉与模式识别
2016-04-07 v3
摘要
人脸识别性能评估传统上聚焦于一对一验证，以 Labeled Faces in the Wild 数据集（图像）和 YouTubeFaces 数据集（视频）为代表。相比之下，新发布的 IJB-A 人脸识别数据集统一了对多对一人脸识别与基于模板（即某个主体的图像和视频集合）的一对一人脸验证的评估。本文研究模板自适应问题，这是一种针对模板中媒体集合的迁移学习形式。在 IJB-A 上的大量性能评估显示了一个令人惊讶的结果：或许最简单的模板自适应方法，即将深度卷积网络特征与模板特定的线性 SVM 相结合，大幅优于当前最优(state-of-the-art)方法。我们研究了模板大小、负样本集构建和分类器融合对性能的影响，然后将模板自适应与带有度量学习的卷积网络、2D 和 3D 对齐进行比较。我们得出一个出乎意料的结论：当这些方法与模板自适应结合时，在 IJB-A 上基于模板的人脸验证与识别均达到几乎相同的最佳性能。
引用
@article{arxiv.1603.03958,
title = {Template Adaptation for Face Verification and Identification},
author = {Nate Crosswhite and Jeffrey Byrne and Omkar M. Parkhi and Chris Stauffer and Qiong Cao and Andrew Zisserman},
journal= {arXiv preprint arXiv:1603.03958},
year = {2016}
}