当年龄不变人脸识别遇见人脸年龄合成：一种多任务学习框架与一个新基准
计算机视觉与模式识别
2022-11-08 v2
摘要
为最小化年龄变化对人脸识别的影响，年龄不变人脸识别（AIFR）通过最小化身份相关特征与年龄相关特征之间的相关性来提取身份相关的判别特征，而人脸年龄合成（FAS）通过将不同年龄段的人脸转换到同一组来消除年龄变化。然而，AIFR缺乏用于模型解释的视觉结果，FAS由于伪影而损害下游识别。因此，我们提出一个统一的、多任务的框架来联合处理这两项任务，称为MTLFace，其可学习用于人脸识别的年龄不变身份相关表征，同时实现令人满意的人脸合成以用于模型解释。具体而言，我们提出基于注意力的特征解耦，以空间约束方式将混合人脸特征解耦为两个不相关分量——身份相关与年龄相关特征。不同于实现组级FAS的传统独热编码，我们提出一种新颖的身份条件模块来实现身份级FAS，其可通过权重共享策略改善合成人脸的年龄平滑度。受益于所提出的多任务框架，我们进而利用FAS中那些高质量合成人脸，通过一种新颖的选择性微调策略进一步提升AIFR。此外，为推进AIFR与FAS，我们收集并发布了一个带有年龄与性别标注的大型跨年龄人脸数据集，以及一个专为追踪走失儿童设计的全新基准。在五个基准跨年龄数据集上的大量实验结果表明，MTLFace在AIFR与FAS上均取得优越性能。我们进一步在两个流行通用人脸识别数据集上验证MTLFace，在野外人脸识别上获得了有竞争力的性能。代码见 http://hzzone.github.io/MTLFace。
引用
@article{arxiv.2210.09835,
title = {When Age-Invariant Face Recognition Meets Face Age Synthesis: A Multi-Task Learning Framework and A New Benchmark},
author = {Zhizhong Huang and Junping Zhang and Hongming Shan},
journal= {arXiv preprint arXiv:2210.09835},
year = {2022}
}
备注
TPAMI 2022. arXiv admin note: substantial text overlap with arXiv:2103.01520