论文题目:Orthogonal Deep Features Decomposition for Age-Invariant Face Recognition
目录
文章主题
在跨年龄人脸识别 (AIFR) 任务中将提取的 age-related features 特征和 identity-related features 分为两个正交部分,搭建multi-task网络:identity-related features 用来分类,age-related features 特征用来做年龄回归(可以理解为年龄特征的引流),提升网络的分类性能。
研究现状
文中提到目前关于AIFR的研究分为两种方法:
- generative scheme:先将图像根据年龄分类,再进行人脸识别
- discriminative scheme:直接识别。已有HFA方法等例子。
对于以上两方面不细讲,原文中有简要介绍以及文献引用。本篇文章属于第二类,并将所提出方法与HFA对比。
方法原理
方法的重点在于将神经网络提取的特征根据 age-related 和 identity-related 进行区分,identity-related 特征是不受年龄影像的,是age-invariant的,用来进行AIFR。具体来说,文中作者借鉴 A-Softmax 将特征映射到球坐标系,径向坐标 指定为 age-related feature,角坐标 指定为 identity-related feature,两种特征在一个 multi-task 网络中一起训练。分类任务的loss为 A-Softmax loss ,回归任务是线性回归。目前已有论文中对age-related 和 identity-related进行线性组合,而此文中对这两种特征进行正交组合。
方法介绍
模型整体框架
首先是类似于ResNet的CNN结构,提取到高维特征向量后正交分解为两部分。
特征的正交分解
多任务学习
- 年龄特征学习
使用了线性规划,因为只有一维特征,所以过于复杂的模型容易过拟合。公式:
- 样本识别特征学习
借鉴A-Softmax,损失函数:
- 共同训练
multi-task的loss组合:
这个multi-task模型在训练的适合两部分loss都参与,测试过程中只考虑分类网络。