xCos：一种用于人脸验证任务的可解释余弦度量

我们研究人脸识别任务中尤其是此处人脸验证的可解释AI（XAI）。人脸验证是近年来的关键任务，已部署于大量应用，如门禁控制、监控以及移动设备的自动个人登录。随着数据量增长，深度卷积神经网络能在人脸验证任务上取得很高准确率。除卓越性能外，深度人脸验证模型需要更强的可解释性，以便我们信任其生成的结果。本文提出一种新颖的相似度度量，称为可解释余弦（xCos），其带有一个可学习模块，可插入多数验证模型以提供有意义的解释。借助$xCos$，我们可看到两张输入人脸的哪些部分相似、模型关注何处，以及局部相似度如何加权形成输出$xCos$分数。我们在LFW及多个竞争性基准上展示了所提方法的有效性，不仅为人脸验证提供了新颖且期望的模型可解释性，也确保了插入现有人脸识别模型时的准确率。