Deep Attribute Guided Representation for Heterogeneous Face Recognition阅读笔记

D Liu, N Wang, C Peng, J Li, X Gao
IJCAI 2018

一、简介

现有的相关人脸识别方法大多将属性视为与其他工程特征相结合的高级特征，以提高识别性能，而忽略了人脸属性与身份之间的内在联系。

利用显式不变语义信息(面部属性)来帮助解决不同模态之间的差距。

提出了一种新的基于深度属性引导表示的异构人脸识别方法(DAG-HFR)，它直接整合了不同主体的属性和身份之间的关系。在训练阶段无需人工标注属性，自动检测照片图像的人脸属性。

一个属性引导的三重损失(AGTL)被设计用来训练一个端到端的HFR网络，它可以有效地消除错误检测属性的缺陷。

深度卷积网络被用来将异构场景中的人脸图像直接映射到一个紧凑的公共空间，其中距离意味着对的相似性。

二、模型

特征提取网络：

插入快捷连接解决退化问题。

最后生成128维特征嵌入。

使用ImageNet对网络进行预训练。

属性评估网络：

该网络是一个改进的ResNet网络，在每个卷积层之后插入一个批处理规范化层。

用CelebA数据集预训练这个多属性评估网络，该数据集包含202，599张人脸图像，每张图像带有40个标记的二进制属性。

选择四个属性(眼镜、男性、无胡须和青年)用于模型训练。

该预先训练的属性评估网络仅用于提供输入人脸照片的属性相似度分数，其在训练阶段不需要更新。

一张人脸照片的属性评估相似性分数是具有归一化的二维正值向量。

三、损失函数

属性引导三重损失：

另外，还使用了交叉熵损失进行两类分类。

四、实验

PRIP和PRIP-VSGC数据集上的rank-10准确率。