SSPP-DAN: DEEP DOMAIN ADAPTATION NETWORK FOR FACE RECOGNITION WITH SINGLE SAMPLE PER PERSON

论文相关内容

本文中域适应的方法及目的

摘要：在现实世界中，每个人使用一个样本进行人脸识别(SSPP)是一项具有挑战性的任务。如果捕捉画廊图像和探测集的条件完全不同，问题就会加剧。为了从领域适应的角度解决这些问题，我们引入了一个SSPP领域适应网络(SSPP- dan)。在提出的方法中，结合领域对抗性训练和深度体系结构，实现了领域自适应、特征提取和分类。然而，每个类一个训练样本的SSPP特性不足以训练深层体系结构。为了克服这一不足，我们使用3D人脸模型生成具有不同姿态的合成图像。利用真实的SSPP数据集进行的实验评价表明，深域自适应和图像合成相辅相成，提高了图像的精度。使用该方法对基准数据集进行的实验显示了最先进的性能。

本文的SSPP-DAN框架

本文框架主要分为两部分，1、图像合成 2、域适应网络（属于对称的基于特征的域适应方法）
域适应网络通过由特征分类器F、标签分类器C和域判别器D组成的深度网络来进一步提取源域和目标域数据的共同特征。

S表示源域数据，T表示目标域数据

F的参数来最小化标签预测损失(学习源域标签的判别性信息)和最大化域预测损失(学习域不变性的特征，即学习源域和目标域共有的特征），C的参数来最小化标签预测损失，D的参数来最小化域预测损失(判别数据来自源域还是目标域）
最后一项的负lambda体现了F和D在损失上的对抗关系，它的大小调整了它们之间的平衡。

总结

相关背景：使用一个人一个样本进行脸部识别是个挑战性的任务，当样本的获得与所要识别样本的获得完全不同时，这个任务更加困难。
问题是什么：使用一人一样本来进行脸部识别。
现有解决方案：恕我无知，对图像方面的知识不太了解。
作者的核心思想、创新点在哪里：提出了SSPP-DAN:联合使用带有域对抗训练的深度架构来执行域适应、特征提取、分类等任务，并使用3D面部模型产生原图像的变体增加了源域训练数据的缺乏。
通过什么样的实验进行验证：在两个数据集上使用了不同的源域和目标域进行训练，识别精度有明显的提升。
对我的启发：做研究时不同领域的知识可以相互借鉴。