没有合适的资源?快使用搜索试试~ 我知道了~
3527解相关对抗学习在人脸识别中的应用王浩,龚迪红,李志峰,刘伟腾讯人工智能实验室hawelwang@tencent.com,gongdihong@gmail.com,michaelzfli@tencent.com,wl2223@columbia.edu摘要年龄不变的人脸识别是人脸识别领域的研究热点.然而,匹配的人脸与大年龄差距仍然是一个具有挑战性的问题,主要是由于老化造成的面部外观的显着差异。为了减少这种差异,在本文中,我们提出了一种新的算法,以消除与年龄相关的成分混合的身份和年龄信息的功能。具体来说,我们将混合人脸特征分解为两个不相关的分量:身份相关分量和年龄相关分量,其中身份相关分量包含对面部识别有用的信息。为了实现这一想法,我们建议同一性内距离身份间距离去相关对抗学习(DAL)算法,其中引入标准映射模块(CMM)以找到由主干网络生成的成对特征的最大相关性,而主干网络和因子分解模块被训练以生成降低相关性的特征。因此,所提出的模型学习年龄和身份的分解特征,其相关性显着降低。同时,身份相关特征和年龄相关特征分别由ID和年龄保持信号监督,以确保它们包含正确的信息。在流行的公共领域人脸老化数据集 (FG-NET、 MORPH Al-bum 2和CACD-VS)上进行了广泛的实验,以证明所提出的方法的有效性。1. 介绍随着深度学习[22,36,17,47]推动的令人印象深刻的进步,当前的人脸识别方法[37,39,38,46,42,40,28,10]已经实现了优异的性能。这些模型中的许多模型在各种场景中甚至比人类更准确。然而,识别不同年龄段的面孔仍然处于探索阶段。最近,现代进展[41,46,28,42,40,10]引入了基于边缘的度量和归一化机制来训练模型,以提高人脸识别率。图1.我们展示了AIFR的一个典型示例,其中由于大的年龄变化,身份内距离大于身份间距离。因此,许多当前的人脸识别系统无法识别年龄差距很大的人脸。点火性能然而,这些方法通常缺乏对年龄不变人脸识别(AIFR)场景的AIFR面临的关键挑战是老化过程导致的显著差异。图1显示了一个例子,同一身份的人脸图像在不同年龄段有很大的差异,而不同身份的人脸图像共享相似的年龄相关信息。因此,那些具有较大年龄差距的面孔是当前人脸识别系统无法正确识别的硬例子特别地,如果有更多的儿童和老人的面孔,则身份内距离增大。与此同时,年龄不变的人脸识别(AIFR)也引起了目前对AIFR的研究主要集中在生成模型和判别模型的设计上.生成方法[12,23,32]建议合成不同年龄的人脸图像以辅助人脸识别。最近,一些研究[53,2,11]旨在通过利用基于强大GAN的模型来提高生成的老化人脸的质量。然而,准确地模拟老化过程是困难和复杂的。不稳定的-3528年龄特征空间原始特征空间恒等特征空间在SARIAL训练中,我们希望x_id和x_age将充分不相关,并且x_id中的年龄信息可以显著减少。我们的主要贡献概述如下:1. 提出了一种基于线性特征分解的去相关对抗学习(DAL)算法,用于正则化分解特征的学习。通过这种方式,我们希望为AIFR捕获保持ID的同时保持年龄不变的特征。据我们所知,这是第一个将去相关对抗特征学习引入AIFR的工作。2. 本文提出了批典型相关分析(BCCA),它是CCA的随机扩展,图2.人脸特征被分解为身份相关分量和年龄相关分量。只有身份特征参与人脸识别的测试。合成人脸中的特征会显著影响人脸识别的性能。相比之下,判别方法在最近的研究中引起了越来越多的兴趣。例如,[13]通过隐因子分析(HFA)分离了身份相关信息和年龄相关信息。[45]基于类似的分析,并将HFA扩展到深度学习框架。最近,OE-CNN [43]提出了正交特征分解来求解AIFR。这些研究表明,特征分解在不变特征学习中起着关键的作用,前提是分解后的特征分量能够很好地模拟人脸信息。然而,分解的成分实际上彼此具有潜在的关系,并且身份相关成分仍然可以包含年龄信息。在本文中,我们引入了一个深度特征分解学习框架,该框架将混合人脸特征分解为两个不相关的分量:身份依赖分量(xid)和年龄依赖分量(xage)。图2展示了我们的特征分解模式。我们通过受[4]启发这意味着,依赖于年龄的嵌入通过残差映射函数进行编码。时间x年龄 =R(x)。我们有以下公式:x= x_id+ R(x),其中x是初始面部特征,并且x_id是身份相关特征。为了减少分解分量中的相互变化,我们提出了一种新的解相关对抗学习(DAL)算法,该算法对抗性地最小化xid和xage之 间 的 相 关 性。 具体地说,引入了 正则映射模块来寻找xid和xage 之 间 的 最 大 相 关性 ,而主干和因子分解模块旨在减少相关性。同时,分别通过身份和年龄分类信号学习xid和xage。通过广告-梯度下降优化所提出的BCCA可以集成到深度神经网络中进行相关性调节。3. 所提出的方法显著提高了AIFR数据集(包括MORPH Album 2 [34],FG-NET[1]和CACD-VS[5])的最新性能,这有力地证明了其有效性。2. 相关工作年龄不变的人脸特征学习。文献中的许多先前研究[15,24,26,7,25,27,5,6,13]使用启发式方法解释手工艺特征。例如,[25]发展了一种具有局部特征描述的多特征[13]提出了隐藏因素分析(HFA)来模拟特征因子分解,并减少身份相关特征的年龄差异。[15]为AIFR引入了一个有效最近的几种方法[45,55,43]主要基于深度神经网络。[45]开发了潜因子引导卷积神经网络(LF-CNN)来改进HFA。[55]介绍了AIFR的年龄估计引导CNN(AE-CNN)方法。OE-CNN [43]提出了正交嵌入分解,使得身份信息在角空间中编码,而年龄信息在径向方向上表示。本文提出了一种基于线性残差分解的DAL算法。典型相关分析。典型相关分析(CCA)[18]是一种众所周知的算法,测量两个多维变量之间的线性关系。以前的一些作品已经将这种方法引入到各种场景中的人脸识别中。例如,[49]提出了一种使用CCA的2D-3D人脸匹配方法[14]提出了一种多特征CCA人脸识别方法。与这些典型的基于CCA的方法相比,我们的工作将CCA扩展到深度神经网络作为AIFR的正则化方法。对抗性方法。生成对抗网络(GAN)[16]在各种生成中都显示出有效性3529不交互任务,如人脸老化[53,2,11],人脸超分辨率[51,8]等。此外,还对对抗网络进行了探索,以改善区分模型。初始特征残余身份相关特征-1ID鉴别器埃尔斯例如,[3]利用GAN生成高分辨率的小脸,以提高人脸检测。[9]开发了一个对抗性的UV完成框架-输入图像F骨干分解模块RC规范映射模块CDALRegularizer工作(UV-GAN),以解决姿态不变的人脸识别问题。[29]第29话要学会做人非独立特征年龄歧视对抗性自动编码器框架中的提取特征和身份消除特征。[54]提出了一种对抗网络来生成硬三元组特征示例。在这项工作中,我们提出了一种去相关的对抗学习方法,以显着减少身份和年龄的解耦组件之间的相关性,因此身份相关的特征是年龄不变的。3. 方法3.1. 特征分解由于人脸包含内在的身份信息和年龄信息,因此可以用身份相关特征和年龄相关特征联合表示受此启发,我们设计了一个线性分解模块,将初始特征分解为这两个不相关的分量。形式上,给定初始特征向量x∈Rd,即x=F(p),我们定义线性因子分解如下:x= xid + xage,(1)其中,x_id表示身份依赖分量,并且x_age表示年龄依赖分量。我们设计了一个类似于[4]的深度残差映射模块来实现。注意这个。具体地说,我们通过一个映射函数R来获得与年龄相关的特征,而剩余部分被认为是与身份相关的特征。我们将其称为残差分解模块(RFM),其公式化为:xage=R(x),图3.所提出方法的概述的初始特征通过骨干网提取,然后通过剩余因子分解模块。然后,两个因子分解的分量xid和xage用于分类和DAL正则化。3.2. 解相关对抗学习通过特征因子分解,对于AIFR来说,xid应该是身份保持的并且必须是年龄不变的。不幸的是,xid和xage实际上彼此有潜在的关系。例如,x_id和x_age可以彼此具有高线性相关性。因此,x_id可能部分涉及年龄变化,这导致对人脸识别的负面影响另一方面,x_id和x_age应该是互不相关的,以迫使非平凡的学习,使得它们都提高自己。为此,我们设计了一种正则化算法,有助于减少分解特征之间的相关性,即解相关对抗学习(DAL)。DAL基本上计算分解分量的成对特征之间的典型相关性。对于成对的特征xid、xage,我们设计线性规范映射模块(CMM),其将xid、xage映射到规范变量vid、vage:(3)vt∈{id,age}:vt=C(xt)=wTxt其中w_id、w_age是用于正则映射的学习参数。然后,我们将典型相关定义为:Xid(二)=x − R(x)。冠状病毒(vid,vage)ρ=πVar(vid)Var(vid).(四)在测试阶段,只有身份相关的功能,用于面部识别。希望x_id编码身份信息,而x_age绘制年龄变化。我们同时把身份鉴别信号和年龄鉴别信号放在这两个解耦的特征上,分别监督这两个分量的多任务学习。图3显示了我们工作的总体框架.类resnet骨干提取的初始功能,在此基础上,我们建立的特征因子分解的残差模块。基于这种分解,我们提出了去相关对抗学习,这将在下面的章节中介绍。基于这样的定义,我们首先找到|ρ|通过关于wid、wage 更 新 CMM,然后尝试通过训练骨干和RFM来减少相关性。也就是说,一方面,我们在典型相关最大化过程中冻结F、R并训练C。另一方面,我们在特征相关性最小化过程中用固定的C更新F,R很明显,他们互相竞争另一个在对抗训练过程中玩两个玩家的最小-最大游戏通过这种方式,我们的目标是通过始终降低它们的最大典型相关性来最小化xid,xage之间的相关性换句话说,3530茨布夫xi特罗夫岛不不ID年龄ID年龄IDσ+σ2IDσ+σIDa具有最大分辨率的最佳特征投影充当要去相关的主要目标因此,x_id和x_age不断学习具有小的相关性,算法1每次迭代的BCCA学习算法。输入:Bid={x1,...,m}; B年龄={x1,.,};身份年龄最后,它们显著不相关。总的来说,DAL的目标函数被公式化为:01 -02 |ρ(C(F(p)− R(F(p)),C(R(F(p))))|)输出:正向传递的典型相关ρ;向后传递的梯度。1:对于每个t∈ {id,age},2:CMM正向:对于i = 1,v i= w Tx i。. . m;F、 RCtt不(五)3:计算平均值:µ t=1μmv i;Mi=1t4:计算方差:σ2=1μm(v i− μ t)2;我们相信DAL增强的强去相关性将第五章:端tmi=1t鼓励xid和xage充分不变,对方.重要的是,这将提高xid第六章: 前向传播:用公式6计算ρ。7:对于每个t∈ {id,age},年龄不变的人脸识别。第8章:计算不 等式7;3.3. 批典型相关分析9:CMM向后:对于i=1,. . m;t t10:CMM向后:对于i = 1,则L= x iL; . . m;与典型的典型相关分析方法不同,本文提出了基于随机梯度下降的典型11:结束wi特罗夫岛(SGD)优化。由于整个数据集上的相关性统计实际上是不可能的,因此我们遵循类似的批量归一化策略[20]来计算基于小批量的相关性统计因此,它自然适合深度学习框架。给定mini-batch大小为m,我们有两组分解的特征:B_id={x1,.,m}和B年龄={x1,…m}。 因此,典型相关可以写成:如:1m(vi−µid)(vi−µage)3.4. 多任务训练在本节中,我们描述了多任务训练策略,以监督分解特征的学习。如图3所示,有三个基本的监督模块:年龄控制器、身份控制器和DAL正则化器。年龄歧视。 对于年龄信息的学习,我们将x年龄输入到年龄分类器中,以确保年龄区分信息。由于年龄标签是粗糙的,在实践中不确定的噪音,我们遵循[13,45]和每-ρ=mi=1 id√σ2+σ .年龄2年龄.(六)通过将他们分成不同的组来形成年龄分类。我们使用具有交叉熵损失的softmax层在这里,μid和σ2是vidre的均值和方差年龄分类。同样,对于μage和σ2,常数参数数值稳定性。. 这是一个骗局-身份鉴别器。 在最近的[42,40],我们利用CosFace损失来监督xid的学习等式6用作BCCA的目标函数,我们利用基于SGD的算法来优化它。注意,典型相关|ρ|被要求成为并确保身份保护信息。 我的Cos-面子损失公式化为:在更新C时必须最大化,当1位es(cos(θyi,i)−m)在训练F、R时最小化。gra的由来工作人员:LID=N-日志我es(cos(θyi,i)−m)Σ+j/=yi escos(θ、(j,i)(八)其中N是身份的数量,yi是对应的-∂ρ1vi−µage(vi−µ)·ρWTxi年龄IDiding恒等标记,cos(θj,i)=J·ID 是余弦=(.−2),vim22σid+ID∂ρ1 =(√σid+σage+σvi−µid(vige−µage)·ρ.−)。第i个特征x id和分类器的第j个权重向量W j之间的角度。m是控制余弦裕度的恒定裕度项,并且s是恒定尺度。我年龄mσ2+σ2年龄年龄+年龄(七)ing因子s。CosFace损失旨在对身份分类引入更严格的约束,以便鼓励学习的特征被间隔开因此,优化由输出ρ的前向传播和计算用于更新的梯度的后向传播组成。算法1中描述了BCCA的详细学茨布夫σ3531习算法。在不同的身份之间。适当大的m将在人脸识别的学习特征中增强强大的鉴别信息。DAL正则化器。DAL正则化3532还参与联合监督以指导特征学习,使得成对的分解特征之间的相关性可以显著降低。通过联合监督,该模型同时学习鼓励xid、xage的鉴别能力以及这两个分解分量之间的去相关信息。总之,训练由以下组合的多任务损失来监督:L= LID ( xid ) +λ1 LSM ( xage ) +λ2 LDAL(xid,xage),(九)其中L_ID表示CosFace损失,L_SM表示具有交叉熵损失的软最大值,λ1和λ2是标量超-0.50.450.40.350.30.250.20.150.10.0500~1213~18 19~25 26~35 36~45 46~55 56~65>=66年龄组平衡这三种损失。在测试阶段,我们提取身份相关特征xid用于AIFR评估。3.5. 讨论所提出的方法具有以下优点。首先,对特征进行DAL正则化,有助于增强分解后的分量之间的不相关和协不变信息。HFA[13],LF-CNN[45]和OE-CNN[43]等相关工作忽略了潜在的相关性。相反,我们的目标是最小化的分类错误,以及相关性的影响,同时。其次,BCCA提供了CCA的扩展,该扩展被插入到深度学习框架中,使得整个模型可以在端到端的过程中进行训练。最后,我们的方法可以很容易地推广到其他组件分解模型,如姿态,照明,情绪等。据我们所知,我们是第一个将去相关对抗正则化框架开发到AIFR的人。4. 实验4.1. 实现细节网络架构。(1)主干:我们的骨干网络是一个类似于[ 43 ]的64层CNN。组成4级,分别具有3、4、10、3个堆叠的残差块。每个残差块有3个“3x3 Conv +BN + ReLU”的堆叠单元最后,FC层输出512维的初始人脸特征。(2)残差分解模块(RFM):通过2个“FC +ReLU”将初始人脸特征映射(3)年龄分类:我们在x a g e上堆叠3个“FC+ReLU”,并执行年龄分类。(4)身份证:我们直接使用x id通过CosFace loss进行识别。(5)DAL正则化器:我们将x_age和x_id分别送入FC层,并输出它们的线性组合,然后用于BCCA计算和优化。图4.我们的小型训练数据集的年龄分布。它包含0.5M的人脸图像,覆盖了很大的年龄差异。数据预处理。我们使用MTCNN [52]来检测训练集和测试集上的面部区域和面部标志。然后,根据5个人脸关键点(双眼、鼻子和两个嘴角)进行相似性变换,将人脸面片裁剪为112×96. 最后,裁剪后的人脸块的每个像素([0,255])是通过减去127.5然后除以128来归一化。培训详情。我们的训练数据包括[43]提供的跨年龄人脸(CAF)数据集和其他常见的人脸数据集,如CASIA-WebFace [50] , VGG Face [33] 和 celebrity+[30]。它总共包含来自19.9k个个体的约170万张图像,与[43]相似。同时,我们根据[43]从12k个个体中构建了一个包含约0.5M图像的子集,以便进行公平的实验比较。我们将这个子集称为小训练数据集,将整个训练数据集称为大训练数据集。我们采用预训练的年龄估计模型[35]来为整个训练集的人脸图像生成预测的年龄标签。请注意,只有那些预测年龄相对较高的信心(即,更可能是真实标签)被认为是有效的,并且将参与年龄分类。然后将预测年龄分为8组:0-12,13-18,19-25,26-35、36-45、46-55、56-65、≥66。 分组的年龄标签然后用于年龄分类训练。联合等式9中的监督以对抗的方式指导DAL训练过程。更具体地说,在一个adversar-ial循环中,我们交替地运行典型相关性最大化过程20次迭代,然后改变到特征相关性最小化过程50次迭代。公式9中的超参数λ1和λ2的经验设置为:λ1=0。1,λ2=0。1,m=0。35,s=64。我们所有的实验模型都是通过随机梯度下降(SGD)训练的,批量大小为512。整个训练过程约为40次,学习率为频率35330.12年龄组1(0~12岁)0.035年龄组2(13~18岁)0.02年龄组3(19~25岁)0.06年龄组4(26~35岁)0.10.080.060.040.030.0250.020.0150.010.0180.0160.0140.0120.010.0080.0060.050.040.030.020.020.0050.0040.0020.0100 0.2 0.4 0.6 0.81余弦00 0.2 0.4 0.6 0.81余弦00 0.2 0.4 0.6 0.81余弦00 0.2 0.4 0.6 0.8 1余弦0.08年龄组5(36~45岁)0.03年龄组6(46~55)0.035年龄组7(56~65岁)0.25年龄组8(≥ 66)0.070.060.050.040.030.020.010.0250.020.0150.010.0050.030.0250.020.0150.010.0050.20.150.10.0500 0.2 0.4 0.6 0.81余弦00 0.2 0.4 0.6 0.81余弦00 0.2 0.4 0.6 0.81余弦00.10.20.30.40.50.60.70.8余弦图5.特征间余弦相似度及其类中心在不同年龄组的分布。与所有年龄组中没有DAL的基线模型相比,我们的DAL模型一致地增加了余弦相似性,这证明了我们的方法在鼓励较少的身份内变化方面的有效性。最好看的颜色表1.我们的方法与基准模型的比较。在MF 1、MF 2和留一法协议下,在FG- NET上的人脸识别率为rank-1。初始设置为0.1,然后减小因子0。第22、33、38期各1测试详情。我们在知名的公共AIFR人脸数据集上进行 评 估 实 验 : FG-NET[1] 、 MORPH Album 2[34] 和CACD-VS[5]。在测试过程中,我们提取了原始图像和翻转图像的身份相关特征和然后,这些表示的余弦相似性用于进行人脸验证和识别。4.2. 消融研究在本小节中,我们研究了所提出的模型的不同变体,以显示我们的方法的有效性。余弦相似性的可视化。为了更好地理解DAL及其提高身份保持信息的能力,我们进行了一个实验,以可视化不同年龄组的余弦相似性对于学习到的身份相关特征,我们首先通过对身份特征空间中的每个身份进行聚类来计算它们的类中心,然后计算每个样本与其类中心之间的余弦之后,我们绘制了不同年龄组之间余弦相似性的分布。在这项研究中,我们进行这样的可视化分析的小训练数据集,其中包含0.5M的人脸图像,涵盖各种年龄差异。图4显示了该数据集的年龄分布。我们提出了一个“W/ODAL”模型(由年龄和身份的联合监督信号训练,但没有DAL)和我们提出的DAL模型之间的比较如图5所示,与“w/o DAL”模型相比,DAL模型在所有年龄组中一致地增加了这一观察结果证明,我们的方法鼓励特征具有较小的身份内变化,因此相同身份但不同年龄的样本在特征空间中被拉到一起。因此,所提出的DAL方法可以有效地提高学习的身份特征的鉴别能力。定量评价。为了显示联合学习框架与我们提出的DAL方法的影响,我们对几个公共AIFR数据集进行了消融评估,包括FG-NET,MORPH Album 2和CACD-VS。此外,我们还按照Megaface挑战1(MF 1)[21]和Megaface挑战2(MF 2)[31]的协议在FG-NET上测试了我们的模型MF1和不含DALDAL不含DALDAL不含DALDAL不含DALDAL不含DALDAL不带DAL不含DALDAL不带DAL频率频率频率频率频率频率频率频率模型FG-NET(MF1)FG-NET(MF2)FG-NET(leave-one-out)变形专辑2CACD-VS基线55.86%58.85%百分之九十三点四98.21%百分之九十九点零七3534表2.MORPH Album 2数据集上的评估结果MF2分别包含一个额外的干扰项集,其中包含100万个面部干扰项,这使得基准测试更加困难。MF2提供了一个训练数据集,使得所有评估方法都应该在同一数据集上训练,而不需要任何额外的训练数据。在本研究中,我们考虑以下模型进行消融比较:(1)基线:基线模型仅通过识别损失来训练,而没有任何额外的年龄监督。(2)+年龄:该模型通过识别信号和年龄分类信号的联合监督来训练。(3)+Age+DAL:我们提出的模型同时由DAL正则化和联合监督信号进行训练。如表1所示,在没有DAL的情况下,联合监管模式实现了与基线模式相当的结果。相反,我们的“+年龄+DAL”模型提高了所有方案的性能。与MF 1和“留一法”相比,MF 2方案对FG-NET的改进相对有限尽管如此,持续的性能改善证明了我们的方法的有效性。此外,我们的方法在MORPH Album 2上将基线模型提高了0.7%以上,在CACD-VS上提高了0.3%以上,这在98%和99%以上的高精度水平上是显著的改进4.3. MORPH Album 2数据集上的实验MORPH Album 2数据集由20,000个不同年龄段的人的78,000张人脸图像组成。为了公平比较,我们遵循[43]并在两个基准方案下进行评估,其中测试集分别由10,000名受试者和3,000名受试者在测试中表3.CACD-VS数据集上的评估结果方法秩-1Park等人[32](2010)百分之三十七点四Li等人[25](2011)47.5%HFA [13](2013)69.0%[15]第十五集百分之七十六点二加拿大[48]百分之八十六点五LFCNN [11]88.1%我们94.5%表4. FG-NET数据集在留一法协议下的评价结果。在这个实验中,我们比较我们的DAL模型对最近的AIFR算法在文献中。如表2所示,所提出的方法有效地提高了秩1识别性能。特别是,我们的方法明显优于最近表现最好的AIFR方法,在MORPH Album 2数据库上设置了新的最先进的方法。4.4. 在CACD VS数据集上的实验作为AIFR公开发布的数据集,CACD数据集由来自2,000位年龄不同的名人的163,446张图像组成。所收集的面部图像还包括不同的照明、各种姿势和化妆。子集CACD-VS由4000个用于人脸验证的人脸图像对组成,并且人脸对被分成2,000个阳性对和2,000个阴性对。 在我们的实验中,我们严格遵循[5,43]来执行公平比较的10倍交叉验证。我们用同样训练有素的在两个集合中,每个被试的两张年龄差距最大的人脸图像被选择来组成探测集和图库集。我们使用我们提出的DAL在大型训练数据集(1.7M图像)上训练模型。请注意,我们没有对MORPH Album 2进行任何培训或微调。第4.3节中的模型,以评估CACD-VS数据集的性能。表3显示了我们的模型与其他最先进的AIFR方法相比的验证精度。毫不奇怪,所提出的DAL模型获得了一致的改善,比以前的方法,再次证明了我们的方法的优越性。方法受试者数量秩-1HFA [13]10,00091.14%CARC [5]10,00092.80%MEFA [15]10,00093.80%MEFA+SIFT+MLBP [5]10,00094.59%LPS+HFA [24]10,000百分之九十四点八七LF-CNN [45]10,00097.51%OE-CNN10,000百分之九十八点五五我们10,00098.93%[26]第二十六话3,00094.40%AE-CNN [55]3,00098.13%方法Acc.AUC。高维LBP [7]81.6%88.8%HFA [13]百分之八十四点四百分之九十一点七CARC [5]百分之八十七点六94.2%LF-CNN [45]百分之九十八点五百分之九十九点三人类,平均值[6]百分之八十五点七94.6%3535方法LFWMF 1-面部磨砂膏[28]第二十八话99.42%72.73%[42]第四十二话百分之九十九点三三77.11%表7. LFW和MF 1-Facescrub数据的评价结果。报告的结果为LFW的验证率和MF 1-Facescrub的1级表5.在MF 1协议下对FG-NET数据集的评估结果方法议定书秩-1GRCCV大21.04%NEC大29.29%3DiVi大35.79%GT-CMU-SYSU大38.21%OE-CNN [43]大53.26%我们大60.01%表6. MF 2协议下FG-NET数据集的评估结果4.5. FG NET数据集上的实验与MORPH Album 2和CACD-VS相比,FG- NET数据集更具挑战性,包含从0到69岁它有82个人的1002张人脸图像,数据集包括大量的儿童和老年人年龄阶段我们在三种不同的评价方案下进行了实验,以进行全面的公平基准比较:留一法,MegaFace挑战1(MF1)和MegaFace挑战2(MF2)。用留一法进行评价。我们直接使用在小训练集(0.5M图像)上训练的DAL模型评价采用留一法。值得注意的是,我们没有使用FG-NET的任何数据进行训练或微调。性能比较见表。我们可以看到,我们的方法显著地改进了先验[13]。使用MF1进行评估。MF1 [21]包含来自69万个不同个体的100万张干扰项图像。根据[21],在两个原型下进行评价:大型或小型训练集。小于0.5M的训练集被认为是小的。我们严格遵循小训练集的协议来训练模型,并在FG-NET上进行评估。实验结果报告于表5中。与其他方法相比,性能的提高有力地证明了所提出的DAL方法的有效性使用MF2进行评估。我们还在MF2上进行了实验[31],它也有100万个干扰器。但是MF1和MF2的干扰物是完全不同的。与MF1不同,MF2要求所有模型都在相同的训练集上训练,从而产生非常公平的比较。MF2提供的训练集包含4.7 672K个身份中的100万张面孔。按照这个协议,我们训练我们的模型,并在MF2上进行评估。表6显示了我们的方法和以前的方法之间的性能比较同样,我们的DAL方法显着提高了识别精度,并在MF2数据集上设置了新的最先进的技术。4.6. 在一般人脸识别数据集上的实验为了与通用人脸识别(GFR)中的最先进方法进行比较,我们进一步对LFW和MegaFace Chal- lenge 1Facescrub(MF 1-Facescrub)数据集进行实验评估。LFW[19]是GFR的公共基准,有来自5,749名受试者的13,233张人脸图像。MF 1-Facescrub [21]包括Facescrub(包含来自530位名人的106,863张人脸图像)作为探针集,并在图库集中包含一百万个诋毁者。我们严格遵循OE-CNN中相同的训练和评估程序[43]。也就是说,我们的训练数据包含与OE-CNN相同的0.5M图像[43]。表7报告了LFW的验证率和MF 1-Facescrub中的1级识别率我们的模型在这两个数据集上的性能优于[43]以及最先进的通用人脸识别(GFR)模型[28,42],这证明了我们提出的方法的强大泛化能力。5. 结论在本文中,我们提出了AIFR的去相关对抗学习方法。我们的模型学习在对抗过程中最小化身份和年龄的成对分解特征之间的相关性。我们提出了BCCA算法作为深度学习中CCA的扩展。除了DAL,我们同时训练模型与身份和年龄分类的联合监督在测试中,只有身份特征用于人脸识别。在AIFR基准上进行的评估证明了我们方法的优越性。方法议定书秩-1[44]第四十四话小25.56%[28]第二十八话小百分之四十七点五五TNVP [11]小47.72%Softmax小35.11%A-Softmax小46.77%OE-CNN [43]小52.67%3536引用[1] FG-NET老化数据库,http:www.fgnet.rsunit.com/。二、六[2] G.安提波夫Baccouche和J. - L.杜杰雷用条件生成对抗网络面 对衰老。 IEEE International Conference on ImageProcessing(ICIP),2017年。第1、3条[3] Y. Bai,Y. Zhang,M. Ding和B.加尼姆用生成对抗网络在野外寻找微小的面孔。在IEEE计算机视觉和模式识别会议(CVPR3[4] K. Cao,Y.荣角,澳-地Li,X.Tang和C.C. 洛伊基于深度残差等变映射的姿态鲁棒人脸识别。在IEEE计算机视觉和模式识别会议二、三[5] B.- C. 陈春S. Chen和W.H. Hsu. 用于年龄不变人脸识别和检索的跨年龄欧洲计算机视觉会议(ECCV),2014。二六七[6] B.- C.陈春S. Chen和W. H. Hsu.基于跨年龄参考编码的名人数据集人脸识别与检索。IEEE Transactions onMultimedia,17(6):804-815,2015。二、七[7] D. Chen,X.Cao,F.Wen和J.太阳维度的祝福:用于人脸验证的高维特征及其有效压缩。在IEEE计算机视觉和模式识别会议(CVPR)中,第3025-3032页,2013年。二、七[8] Y. Chen,Y.Tai,X.Liu,C.Shen和J.杨FSRNet:端到端学习面部超分辨率与面部先验。在IEEE计算机视觉和模式识别会议3[9] J. Deng,S. Cheng,N. Xue,Y. Zhou和S. Zafeiriou. Uv-gan:用于姿态不变人脸识别的对抗性面部uv地图完成在IEEE计算机视觉和模式识别会议(CVPR3[10] J.Deng,J.Guo和S. Zafeiriou. Arcface:用于深度人脸识别的附加角度余量损失。arXiv:1801.07698,2018. 1[11] C. N. Duong,K. G. Quach,K. Luu,M. Savvides等人基于时间非体积保持的人脸年龄演化和非线性不变人脸识别方法。IEEE计算机视觉和模式识别会议(CVPR),2017年。一、三、七、八[12] X.耿,Z.- H. Zhou和K.史密斯-迈尔斯基于面部老化模式的自动年龄估计IEEE Transactions on Pattern Analysisand Machine Intelligence(TPAMI),2007年。1[13] D.贡,加-地Li,D. Lin,J. Liu,and X.唐年龄不变性人脸识别的隐因子分析。2013年国际计算机视觉会议(ICCV)。二、四、五、七、八[14] D.贡,加-地Li,J. Liu,和Y.乔基于多特征典型相关分析的人脸照片素描图像检索ACM国际多媒体会议论文集,第617-620页,2013年。2[15] D.贡,加-地Li,D. Tao,J. Liu,and X.李一种用于年龄不变人脸识别的最大熵特征描述子在IEEE计算机视觉和模式识别会议(CVPR),第5289-5297页,2015年。二、七[16] I. 古德费罗 J. 波吉特-阿巴迪 M. 米尔扎 B. 许、D.沃德-法利,S。奥扎尔A. Courville和Y.本吉奥。生成对抗网络。在神经信息处理系统的进展,2014年。2[17] K. 他,X。Zhang,S.Ren和J.太阳用于图像识别的深度残差在IEEE计算机视觉和模式识别会议(CVPR),2016年。1[18] H. 霍特林两组变量之间的关系。Biometrika,,1936. 2[19] G. B. Huang,M. Ramesh,T. Berg和E.学习米勒。在野外贴上标签的脸:研究无约束环境下人脸识别的数据库。技术报告07-49,马萨诸塞大学,阿默斯特,2007年。8[20] S. Ioffe和C.赛格迪批次标准化:通过减少内部协变量偏移来加速深度网络训练。2015年国际机器学习会议论文集。4[21] I. Kemelmacher-Shlizerman,S. M. Seitz,D. 米勒和E.布拉萨megeface基准:100万张人脸用于大规模识别。在IEEE计算机视觉和模式识别会议(CVPR),2016年。六、八[22] A.克里热夫斯基岛Sutskever和G. E.辛顿Imagenet分类与深 度 卷 积 神 经 网 络 。 神 经 信 息 处 理 系 统 进 展(NIPS),2012年。1[23] A.拉尼蒂斯角Taylor和T. F.虱子自动模拟人脸图像上的老化 效应 。IEEE Transactions on Pattern Analysis andMachine Intelligence(TPAMI),2002年。1[24] Z. Li,D.龚,X.Li和D.涛. 老化人脸识别:基于局部模式 选 择 的 分 层 学 习 模 型 IEEE Transactions on ImageProcessing(TIP),25(5):2146二、七[25] Z. Li、U.Park和A.K. 贾恩。一种用于年龄不变人脸识别的判别模型IEEE Transactions on Information Forensicsand Security(TIFS),2011年。二、七[26] L. Lin,G. Wang,W.左,X. Feng和L.张某基于广义相似 性 测 度 和 特 征 学 习 的 跨 域 视 觉 匹 配 。 IEEETransactions on Pattern Analysis and Machine Intelligence(TPAMI),39(6):1089二、七[27] H. Ling,S. Soatto,N. Ramanathan和D. W. 雅各布斯使用 判 别 方 法 进 行 跨 年 龄 进 程 的 人 脸 验 证 。 IEEETransactionsonInformationForensicsandSecurity(TIFS),2010年。2[28] W. Liu , Y. 温 , Z. Yu , M. 李 湾 , 澳 - 地 Raj 和 L. 歌SphereFace:用于人脸识别的深度超球面嵌入在IEEE计算机视觉和模式识别会议,2017。1、8[29] Y. Liu,F. Wei,J. Shao,L. Sheng,J. Yan,and X. 王.探索人脸识别之外的非纠缠特征表示。在计算机视觉和模式识别会议(CVPR),2018年。3[30] Z. Liu,P. Luo,X. Wang和X.唐在野外深度学习人脸属性。在2015年的国际计
下载后可阅读完整内容,剩余1页未读,立即下载
![pptx](https://img-home.csdnimg.cn/images/20210720083543.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 京瓷TASKalfa系列维修手册:安全与操作指南
- 小波变换在视频压缩中的应用
- Microsoft OfficeXP详解:WordXP、ExcelXP和PowerPointXP
- 雀巢在线媒介投放策划:门户网站与广告效果分析
- 用友NC-V56供应链功能升级详解(84页)
- 计算机病毒与防御策略探索
- 企业网NAT技术实践:2022年部署互联网出口策略
- 软件测试面试必备:概念、原则与常见问题解析
- 2022年Windows IIS服务器内外网配置详解与Serv-U FTP服务器安装
- 中国联通:企业级ICT转型与创新实践
- C#图形图像编程深入解析:GDI+与多媒体应用
- Xilinx AXI Interconnect v2.1用户指南
- DIY编程电缆全攻略:接口类型与自制指南
- 电脑维护与硬盘数据恢复指南
- 计算机网络技术专业剖析:人才培养与改革
- 量化多因子指数增强策略:微观视角的实证分析
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)