通过属性感知学习提升人脸嵌入的判别性：良好者、更好者与最佳者

尽管近期在人脸识别方面取得了进展，但在年龄、姿态和遮挡等大范围变异下仍然难以实现稳健性能。常见策略是通过面部属性的辅助监督引导表征学习，鼓励视觉编码器聚焦于身份相关区域。然而，现有方法通常依赖异构且固定的属性集合，隐含地假设所有属性在判别性上均等。这一假设并不优化，因为不同属性对身份识别的判别能力存在差异，某些甚至可能引入有害偏差。本文提出一种属性感知人脸识别架构，使用身份类别标签、身份相关面部属性和非身份相关属性对人脸嵌入进行监督。面部属性被组织为可解释的组别，从而实现对其单个贡献的人类可理解性分析。在标准人脸验证基准测试上进行的实验表明，身份与面部属性的联合学习显著提升了人脸嵌入的判别性，主要得出两个结论：(i) 使用身份相关属性子集的监督方式，始终优于使用更广泛属性集的监督；(ii) 显式强制嵌入“忘却”非身份相关属性，相较于保持非身份相关属性的监督，进一步获得性能提升。此外，我们的方法也可作为评估人脸识别编码器可信度的诊断工具，通过测量抑制非身份相关属性带来的准确度提升幅度来实现这一目标，这类提升暗示了来自每个身份冗余属性的捷径学习。