即 使 在 挑 战 环 境 下 也 能 提 高 面 部 识 别 性 能 利 用
MagFace损失导致的质量与其比较分数之间的线性关
系,我们的质量感知比较函数简单但有效。
在图1中,所提出的质量感知评分函数的效果是可
视化的。使用标准比较分数,真实(同一个人)和冒
名 顶 替 者 ( 不 同 的 人)分 布 是 强 烈 重 叠 的 ( 见 上
图)。 即使它 们各 自的质量分布 非常相 似( 右
图),将这两种信息与所提出的质量感知评分函数相
结合,增加了可分性,从而导致更可靠的比较分数用
于匹配。特别是对于较低的比较和质量分数,所提出
的方法更强烈地适应分数以增加准确性。对于更高的
质量和比较分数,所提出的解决方案不改变分数,因
为高比较分数意味着高质量的面部对因此,QMagFace
在处理具有挑战性的情况时特别有效,例如交叉姿势
或交叉年龄。
实验在四个人脸识别数据库和六个基准上进行。结
果表明
(a)
在宽范围的误匹配率上,与标准比较分数相比,人
脸识别性能的持续改进,(b)所使用的线性函数对于
质量加权的适用性,以及(c)所提出的方法的高度通
用性,尽管骨干结构、训练数据库和评估基准发生了
变化。此外,QMagFace在基于视频的识别任务中始终
达到高性能,并在四个基于图像的人脸识别基准测试
中的三个上取得了最先进的结果特别是在具有挑战性
的情况下,如跨姿势,跨年龄,或跨质量,QMagFace
取得了很高的性能。
2.
相关作品
2.1.
人脸图像质量评估
受国际标准(如ISO/IEC)的推动
[42]提出了FIQA(SER-FIQ)的随机嵌入鲁棒性。这
个概念衡量的鲁棒性的脸表示对辍学的变化,并使用
此措施,肯定要确定的脸的质量。它避免了培训的需
要,并考虑到决策模式 的人脸识别模型。 2021年,
Meng et al.[31]提出了一类损失函数,其包括将质量编
码到面部表示中的幅度感知角裕度。 在这种损失的情
况下进行训练, 一种人脸识别模型,它产生的嵌入
的幅度可以衡量他们的脸的FIQ。
虽然前两代FIQA方法的目的是评估图像在一般人脸
识别中的效用,但第三代方法的目的是确定特定于模
型的质量值。因此,我们断言这些方法,SER-FIQ [42]
和 MagFace [31] ,具 有 提 高 识别性 能 的 最大潜 力 。
SER-FIQ可以应用于任意的人脸识别网络,但在FIQ和
比较分数之间产生复杂的关系。另一方面,MagFace
在质量和比较分数之间产生线性关系,如我们将在5.4
节中所示,因此,它更适合于识别性能的普遍增强。
2.2.
人脸识别
近年来,人脸识别受到深度表示学习的进步的强烈
推动早期的作品依赖于基于度量学习的损失[31],例
如 对 比 损 失 [8] , 三 重 损 失 [37] 或 惩 罚 角 边 缘 损 失
[45][9]。然而,由于训练所需的人脸三元组数量的组
合爆炸,研究重点转移到基于分类的方法。这些方法
通常基于softmax,目的是在训练过程中对一组封闭的
身份进行分类,并利用前一层作为未见过面孔的特征
提取器
将softmax激活与交叉熵损失相结合,大多数人脸识别
损失L具有以下形式:
L=
−
1
log
(L)
,其中(
1
)
19794-5 [20]和ICAO 9303 [19],第一代人脸图像质量
评估(FIQA)方法
[十四][十三][三十八][三十四][二][一][十一]。 第二
代
FIQA方法[47][3][7][23][5][16][33][48]包括基于人类或
人工构建的质量标签的监督学习算法。然而,人类可
能 不 知 道 面 部 识 别 系 统 的 最 佳 特 性 , 并 且 从 com-
mapping分数导出的人工标记的质量值依赖于易于出错
的标记机制。
第三代FIQA方法[42]通过利用人脸识别网络本身完
全避免了使用质量标签
。
2020
年,
Terh oürs tetal.
这里,训练集包含
N
个
样本,并且
Θ
yi
是
指
最后一层权
重向量 与
归 一化 特 征向 量
xi
之 间的角度
( 其中
xi
2
=
r
)。对于火车
-
如果没有边距
,则
m
1
=
1
,
m
2
=
m
3
=
0
,这表示
简化的
softmax
损失。在
SphereFace [27]
中,使用
m1
=
α
和
m2
=
m3
=
0部署乘法角裕度。为了保持余弦余
量罚分
m3
=
α
(
m1
=
1和
m2
=
0),这是指
CosFace [44]
,
并且为了罚分角余量
m2
=
α
(
m1
=
1和
m2 = 0
),