UniTSFace：用于人脸识别的统一阈值集成样本到样本损失
计算机视觉与模式识别
2023-11-07 v1 人工智能
人机交互
摘要
基于样本到类的面部识别模型无法充分挖掘大量人脸图像间的跨样本关系，而基于样本到样本的模型需要复杂的配对过程进行训练。此外，两种方法均不满足真实世界人脸验证应用的需求，后者期望一个统一阈值来区分正样本与负样本人脸对。本文提出一种统一阈值集成的基于样本到样本的损失（USS 损失），其具有显式统一阈值以区分正负样本对。受 USS 损失启发，我们还推导了基于样本到样本的 softmax 和 BCE 损失，并讨论了它们的关系。在包括 MFR、IJB-C、LFW、CFP-FP、AgeDB 和 MegaFace 在内的多个基准数据集上的广泛评估表明，所提出的 USS 损失高效且能与基于样本到类的损失无缝协作。嵌入式损失（USS 与样本到类 Softmax 损失）克服了先前方法的缺陷，训练得到的人脸模型 UniTSFace 表现出卓越性能，优于 CosFace、ArcFace、VPL、AnchorFace 和 UNPG 等最先进方法。我们的代码已公开。
引用
@article{arxiv.2311.02523,
title = {UniTSFace: Unified Threshold Integrated Sample-to-Sample Loss for Face Recognition},
author = {Qiufu Li and Xi Jia and Jiancan Zhou and Linlin Shen and Jinming Duan},
journal= {arXiv preprint arXiv:2311.02523},
year = {2023}
}
备注
Accepted by Neurips 2023