ICCV2017:ReST 以迭代空间变形实现的免纠正的脸部识别模型

ICCV2017: Recursive Spatial Transfromer (ReST) for Alignment-Free Face Recognition (以迭代空间变形实现的免纠正的脸部识别模型)

Background:

传统的脸部识别流程：

1. 预定义的平均脸做纠正
2. 输入CNN 提取特征用以识别

传统的脸部纠正方法：

1. Active Shape Model
2. Active Appearance Model (ASM+PCA)
3. DNN

脸部识别方法：

1. DeepFace (先进行3D纠正)
2. FaceNet（不做纠正，用大量数据来弥补姿势差异的问题，所以用了2亿张图片的数据集训练）
3. PAM（识别出姿势，然后针对姿势进行识别）

做纠正的好处和问题：

1. 在去除角度、动作、表情等与识别无关的东西，增强了识别的鲁棒性，但是同时也弱化了几何性质
2. 分两步训练的，但是纠正的目标是将非正脸变形或其他方法得到正脸的图片的纠正，但是这一步的目标在于实现非正脸图片到正脸的映射，与识别存在一定相关性但还是存在着差异，这就可能引起模型落在次最优的可能。
3. 单一平均脸难以把握丰富多样的人脸特征。（因为所做的一切是把脸部变形到一个平均脸上，那么所有的形状都一样）

Method

文中提出不做纠正（其实是不把脸部纠正环节独立开来）的识别模型，这个模型把纠正和识别统一在一个模型里面，能够实现纠正适应与识别，达到更好的识别率。（尤其如果要对动物脸部进行识别的话，动物不同品种的脸部结构差异很大，如狗：哈士奇和贵妇狗的差别就很大，不能使用平均脸，虽然人类的脸部结构差异不是很大，但是在动物上这是用不了的。）

受STN的启发提出了ReST的变形方法，多次迭代进行变形，从而实现复杂