深度人脸识别：CVPR2020论文要点

深度人脸识别：CVPR2020论文要点

Towards Universal Representation Learning for Deep Face Recognition

论文链接：https://arxiv.org/pdf/2002.11841.pdf

摘要

识别狂野的面孔是极其困难的，因为它们看起来有各种各样的变化。传统的方法要么使用目标域中的特定注释变化数据进行训练，要么通过引入未标记的目标变化数据来适应训练数据。相反，我们提出了一个通用的表示学习框架，它可以在不利用目标领域知识的情况下处理给定训练数据中看不到的较大变化。我们将训练数据与一些语义上有意义的变化（如低分辨率、遮挡和头部姿势）进行了综合。然而，直接输入增广数据进行训练并不能很好地收敛，新引入的样本大多是硬例子。我们建议将特征嵌入分割成多个子嵌入，并为每个子嵌入关联不同的置信值，以平滑训练过程。通过调整不同分区上的变化分类损失和变化对抗损失，进一步解除了子嵌入的相关性。实验表明，该方法在lfwandmagface等一般人脸识别数据集上取得了很好的性能，而在微型人脸和IJB-S等极端基准上取得了显著的效果。

Introductions

  深度人脸识别是将输入的图像映射到一个具有较小的内部同一距离和较大的内部同一距离的特征空间，这是通过损失设计和具有丰富的类内变化的数据集来实现的[29，40，17，38，4]。然而，即使是非常大的公共数据集，如MS-Celeb-1M，也表现出强烈的偏见，如种族[33]或头部姿势[20，24]。这种变化的缺乏导致在具有挑战性的测试数据集上性能显著下降，例如，先前最新技术[31]报告的IJB-S或TinyFace[11，3]的精度比IJB-A[14]或LFW[10]低约30%。最近的研究试图通过识别相关的变异因素，并通过领域适应方法增加数据集以合并它们来缓解这个问题[33]。有时，这样的变化很难识别，因此领域适应方法被用来调整训练和测试领域之间的特征【28】。或者，可以在不同的数据集上训练单个模型，并对其进行集成，以在每个数据集上获得良好的性能[19]。

所有这些方法要么只处理特定的变化，要么要求访问测试数据分布，要么增加额外的运行时复杂性来处理更广泛的变化。相比之下，我们建议学习一个单一的“通用”深度功能演示，它可以处理变化的婴儿识别，而不需要访问测试数据分布，并保持运行时效率，同时在不同情况下获得强大的性能，特别是在低质量的图像上（见图1）。</