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:
- 预定义的平均脸做纠正
- 输入CNN 提取特征用以识别
- Active Shape Model
- Active Appearance Model (ASM+PCA)
- DNN
- DeepFace (先进行3D纠正)
- 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)
- PAM(识别出姿势,然后针对姿势进行识别)
- 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
- 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。
- 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