面向深度人脸识别的通用表征学习
计算机视觉与模式识别
2020-02-28 v1
摘要
识别自然场景下面部极其困难，因为它们呈现出各种各样的变异。传统方法要么利用来自目标领域的特定标注变异数据进行训练，要么引入未标注的目标变异数据以从训练数据中自适应。相反，我们提出了一种通用表征学习框架，能够在无需借助目标领域知识的情况下处理给定训练数据中未见的更大变异。我们首先合成带有一些语义上有意义的变异（如低分辨率、遮挡和头部姿态）的训练数据。然而，直接将增强数据用于训练将无法良好收敛，因为新引入的样本大多是困难样本。我们提出将特征嵌入拆分为多个子嵌入，并为每个子嵌入关联不同的置信度值以平滑训练过程。通过对子嵌入的不同分区正则化变异分类损失与变异对抗损失，进一步解相关这些子嵌入。实验表明，我们的方法在 LFW 和 MegaFace 等通用人脸识别数据集上取得了顶尖性能，同时在 TinyFace 和 IJB-S 等极端基准上显著更优。
引用
@article{arxiv.2002.11841,
title = {Towards Universal Representation Learning for Deep Face Recognition},
author = {Yichun Shi and Xiang Yu and Kihyuk Sohn and Manmohan Chandraker and Anil K. Jain},
journal= {arXiv preprint arXiv:2002.11841},
year = {2020}
}
备注
to appear in CVPR 2020