面向遮挡鲁棒性的人脸识别研究
计算机视觉与模式识别
2021-09-21 v1 人工智能
摘要
本文评估了使用 ResNet 骨干网络的人脸识别流水线在遮挡影响下的性能。分类器在 CelebA-HQ 数据集的一个子集上训练，该子集包含来自 307 个类别的 5,478 张图像，达到了 17.91% 的 top-1 错误率。我们设计了 8 种不同的遮挡掩码并应用于输入图像。这导致分类器性能显著下降：每种掩码下的错误率均至少变为原来的两倍。为提高遮挡下的鲁棒性，我们采用了两种方法。第一种是使用预训练的 pluralistic 图像补全网络进行图像修复（image inpainting）。第二种是 Cutmix，一种通过将训练图像及其标签用矩形块混合来增强正则化的策略，使分类器对输入损坏更具鲁棒性。两种策略均显示出有效性并观察到有趣的结果。特别是，Cutmix 方法使网络更鲁棒，且在应用阶段无需额外步骤，尽管其训练时间明显更长。我们公开了包含不同遮挡掩码及其修复对应图像的数据集，以促进该领域的研究。
引用
@article{arxiv.2109.09083,
title = {Towards robustness under occlusion for face recognition},
author = {Tomas M. Borges and Teofilo E. de Campos and Ricardo de Queiroz},
journal= {arXiv preprint arXiv:2109.09083},
year = {2021}
}
备注
7 pages, 8 figures