人臉識別論文筆記:OGCTL(1903.04752)

2021-01-11 老巴讀AI論文

Occlusion-guided compact template learning for ensembledeep network-based pose-invariant face recognition

本文貢獻

本文的研究方向是基於視頻或者基於集合的人臉識別任務。首先，作者指出基於模板的學習當前主要關注點在於提高模板的辨識能力，忽略了模板的數量問題，當圖庫包含數百萬張圖像時，模板的大小對於大規模面部檢索變得非常重要。因此，本文聚焦與學習一個緊湊的浮點模板，其向量長度儘可能的小同時保留了辨識能力。因此，論文做出如下貢獻：

提出了一種由遮擋引導的神經網絡結構，用於從集合模型中生成的面部表示和遮擋掩模中學習緊湊的面部模板；從不同數量的可見面部區域中生成緊湊模板是可行的。本文方法

模板和遮擋掩模

本文作者提出的方法其實是受DPRFS方法的啟發，DPRFS算法如下圖所示。

DPRFS算法示意圖

在DPRFS中，如果可視化像素的數量小於閾值，整個patch就認為是遮擋，DPRFS的輸出是與遮擋向量所對應的聚合人臉表示向量。

由遮擋引導的緊湊模板學習

為了從面部表示中獲得緊湊模板，需要找到從面部表示到低維模板空間的映射，之前的研究也有圍繞這個低維映射開展的，但是作者所做的實驗表明，從這些研究提出的體系結構中生成的緊湊模板對於大頭部姿態變化下的面部識別來說並不是最優的。而本文方法從下面幾個方面來考慮對DPRFS的優化改進。

遮擋掩模的作用：沿用DPRFS中遮擋掩模的思路，不過作者分析了DPRFS的兩個挑戰，一是速度，二是難以匹配。為了從這兩個方面對DPRFS進行改進提升，作者提出將遮擋掩模與學習緊湊模板相結合的思路。模板學習中共現信息：為了學習用於目標識別的具有辨識度並且魯棒的特徵表達，在特徵之間進行空間共現的編碼是可以增加最終特徵表達辨識能力的方法。本文作者提出使用來自可見patches的人臉表示對特徵空間中的辨識共現信息進行編碼，其結構如下圖所示。

OGCTL信息流的網絡結構

由遮擋掩模控制的局部到全局的映射：將局部表示映射到全局表示的目的在於使其可以與其他全局表示聚合在一起。幅值不變的損失函數：文章選擇近期表現比較好的A-Softmax損失函數來學習嵌入模板，這樣A-Softmax損失的決策邊界不再對幅值敏感。總之，A-Softmax損失函數強調來自相同類別，使它們具有小角度距離的模板，同時，不同類別具有大的角度距離。實驗

稍顯不足的在於，本文提出的方法只是在UHDB31和IJB-C兩個數據集上進行了評估，並不是太有說服力。作者給出的解釋是這兩個數據集包含了大量頭部姿態變化。

人臉識別中的模板大小

這個實驗是設計用於測試輸出不同尺度模板時本文方法的性能。這裡選擇了DPRFS、Arch.1(AS)、Arch.1(S)、Arch.2(AS)和Arch.3(AS)等五個其他算法進行對比，主要對比rank-1的識別性能，結果如下圖所示。

模板大小與rank-1的性能對比

如上圖所示，當模板達到1KB（128維浮點）後，其性能飽和，因此OGCTL後面實驗的標準輸出設為0.5KB模板。

姿態和光照變化下的測試

這組實驗是評估姿態和光照變化下算法的性能。實驗方法是將UHDB31數據集分為I03，I01和I05三個子集劃分，每個劃分區域又被分為兩個子劃分C15和S6，在每個子劃分上分別報告不同姿態的rank-1識別率，如下圖所示。

不同遮擋或光照的rank-1性能對比

從上圖可以看出，DPRFS和Arcface的性能相對來說更好一些，因此作者將DPRFS和Arcface的模板融合到了OGCTL中，生成了一個OGCTL(M)的方法，它的性能達到了最優。該實驗表明，OGCTL能夠利用其他集成網絡或者單個網絡的模板來生成用於無約束人臉識別任務的緊湊模板。

基於集合的人臉識別

第三個實驗是直接在IJB-C資料庫中評估所提出方法的性能，結果如下表所示。

IJB-C數據集上的性能對比

如果只是看AUC的話，OGCTL(M)可以達到SOT的水平，但是從千分之一或者萬分之一誤識率來看，還是和Arcface有差距，畢竟特徵大小僅0.5KB。

消融實驗

最後，作者對OGCTL中每個提出的模塊進行了消融實驗和分析，討論了OGCTL所生成模板的獨特屬性。選擇驗證集中偏航角變化為90度的人臉圖像，結果如下表所示。

輪廓人臉識別的性能對比

總體來看，這篇文章只是對DPRFS提出了一些改進的思路，灌水傾向還比較重，不過基於視頻或者基於集合的人臉識別任務應該還是比較重要的，有空的時候寫一篇這方面的綜述好了

相關焦點

  • 想騙過人臉識別?一塊錢就夠了(附送幾組騙AI的方法+論文)
    舒石 李林 編譯整理量子位 出品 | 公眾號 QbitAI人臉識別越來越常見，今年春運已經能刷臉進站，iPhone的相冊就能用人臉分類照片
  • 深度學習之視頻人臉識別系列三:人臉表徵
    DeepFace：2014年論文DeepFace: Closing the Gap toHuman-Level Performance in Face Verification提出了DeepFace算法，第一個真正將大數據和深度學習神經網絡結合應用於人臉識別與驗證。
  • 破譯大腦識別人臉原理:人臉識別判斷人貧富程度,準確率53%
    這一研究表明，表情依賴與人腦對人臉識別過程中的後期的分支模型相一致（在這種模型中，臉部要素的改變和識別都在相同的框架下進行編碼），這對於揭示人腦識別人臉的原理是一個較大推動。細微的臉部線索也能讓其他人根據第一印象來判斷你是富有還是貧窮。一項新的研究發現，平靜的人臉部表情是一個可以用來判斷人的經濟狀況的因素，並且可以影響人際關係和職場的成功。
  • 基於深度學習的人臉識別技術全解
    ▲人臉識別相關政策 4、發展熱點 研究通過對以往人臉識別領域論文的挖掘，總結出人臉識別領域的研究關鍵詞主要集中在人臉識別論文接受率在 20%左右。方向為計算機視覺、模式識別、多媒體計算等。 近年來，全球學界愈來愈關注中國人在計算機視覺領域所取得的科研成就，這是因為由中國人主導的相關研究已取得了長足的進步——2007 年大會共收到論文 1200 餘篇，而獲選論文僅為 244 篇，其中來自中國大陸，香港及臺灣的論文有超過 30 篇，超過大會獲選論文總數的 12%。
  • 人臉識別最全知識圖譜—清華大學出品
    ▲人臉識別相關政策4、發展熱點研究通過對以往人臉識別領域論文的挖掘，總結出人臉識別領域的研究關鍵詞主要集中在人臉識別、特徵提取、稀疏表示、圖像分類、神經網絡、目標檢測論文接受率在 20%左右。方向為計算機視覺、模式識別、多媒體計算等。近年來，全球學界愈來愈關注中國人在計算機視覺領域所取得的科研成就，這是因為由中國人主導的相關研究已取得了長足的進步——2007 年大會共收到論文 1200 餘篇，而獲選論文僅為 244 篇，其中來自中國大陸，香港及臺灣的論文有超過 30 篇，超過大會獲選論文總數的 12%。
  • 人臉識別行業分析
    人臉識別與其它生物識別技術相比，優勢在於非接觸性、非侵擾性、硬體基礎完善、可拓展性。本文主要跟大家分析一下人臉識別這個行業，enjoy~一、人臉識別概況生物識別，是指依靠人體的身體特徵來進行身份驗證的識別技術，目前較為主流的識別技術有：人臉識別、指紋識別、虹膜識別、語音識別等四類。
  • ECCV 2020 | 騰訊優圖8篇論文入選,涵蓋目標跟蹤、人臉識別等領域
    近日，計算機視覺方向的三大國際頂級會議之一的ECCV 2020公布論文獲獎結果。本次ECCV 2020有效投稿5025篇，最終被接受發表論文1361篇，錄取率為27%，較上屆有所下降。在競爭越來越激烈的情況下，本次ECCV 騰訊優圖實驗室共入選8篇論文，涵蓋目標跟蹤、行人重識別、人臉識別、人體姿態估計、動作識別、物體檢測等熱門及前沿領域，再次展示了騰訊在計算機視覺領域的科研及創新實力。
  • 您是臉盲或「超級人臉識別者」嗎？
    識別人臉是我們進化出的重要技能。但是存在所謂的臉盲者，他們無法經由面部特徵區分不同的人。另一極端則是「超級人臉識別者」，他們可以在很短的時間內記住一張面孔，多年後仍能通過照片回憶起來。超級人臉識別者還能夠僅通過部分臉部特徵，認出特定的人。
  • 什麼是人臉識別？你真的了解人臉識別技術嗎？
    由於人工智慧的發展，近年來，基於海量數據的人臉識別技術被廣泛應用於各個領域。火車、地鐵通道、人臉通道、微郵服務、一些工作人員測繪設施等都是人臉識別技術的特殊應用。要了解人臉識別保護個人信息的難點，首先要了解人臉識別技術被廣泛應用的原因及其適用範圍，這樣才能對人臉識別技術保護個人信息進行法律監督。
  • 人臉識別真的安全嗎？關於人臉識別技術發展的瞻望
    二維人臉識別是基於人臉平面圖像的，但實際上人臉本身是三維的，人臉平面圖像只是三維人臉在一個平面上的投影，在這個過程中，必然會丟失一部分信息，因此，動態的人臉識別需要依靠三維人臉識別技術。，研製出低解析度人臉圖像的重建與人臉識別的綜合技術，實現基於低解析度人臉圖像的重建與人臉識別的視頻目標人的搜索與跟蹤。
  • 紅外人臉識別和3D結構光人臉識別有什麼區別
    導讀 人臉識別技術有靜態和動態人臉識別之分，也有2D和3D人臉識別之分，還有可見光和紅外光人臉識別之分。其中紅外人臉識別和3D人臉識別的結構光人臉識別的媒介是紅外光。
  • 可見光人臉識別與主動近紅外人臉識別有什麼區別
    導讀 人臉識別是生物特徵識別技術中應用最為廣泛的一種，在實際應用中會受到光照、表情、遮擋物等問題的影響，其中光照問題在實際應用中最為重要，人員在識別時可能會因為光照的原因識別不出來
  • 深度人臉識別中不同損失函數的性能對比
    選自arXiv作者：Y Srivastava、V Murali、S R Dubey機器之心編譯參與：路、淑婷人臉識別是當前手機設備中使用最廣泛的生物識別特徵之一。而損失函數在訓練用於人臉識別的 CNN 過程中有重要作用。因此，本文對用於人臉識別的多種損失函數進行了性能對比。
  • 人臉識別技術理論
    人臉識別，是基於人的臉部特徵信息進行身份識別的一種生物識別技術。用攝像機或攝像頭採集含有人臉的圖像或視頻流，並自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部識別的一系列相關技術，通常也叫做人像識別、面部識別。
  • 什麼是SeetaFace開源人臉識別引擎?
    為實現此目的，一種可能的技術手段是通過對人臉的光學成像來感知人、識別人，即所謂的人臉識別技術。經過幾十年的研發積累，特別是近年來深度學習技術的湧現，人臉識別取得了長足的進步，在安防、金融、教育、社保等領域得到了越來越多的應用，成為計算機視覺領域最為成功的分支領域之一。
  • 人臉識別技術原理與實現方式
    本文將為大家從人臉檢測、人臉定位、人臉校準以及人臉對比等方面詳細闡述人臉識別的原理與實現方式。 　　隨著計算機技術以及光學成像技術的發展，集成了人工智慧、機器學習、視頻圖像處理等技術的人臉識別技術也逐漸成熟。未來五年，我國人臉識別市場規模平均複合增長率將達到25%，到2021年人臉識別市場規模將達到51億元左右，具有巨大的市場需求與前景。
  • 人臉識別技術介紹和表情識別最新研究
    早在二十世紀初期，人臉識別已經出現，於二十世紀中期，發展成為獨立的學科。人臉識別真正進入應用階段是在90年代後期。人臉識別屬於人臉匹配的領域，人臉匹配的方法主要包括特徵表示和相似性度量。人臉識別通用的流程主要包括人臉檢測、人臉裁剪、人臉校正、特徵提取和人臉識別。人臉檢測是從獲取的圖像中去除幹擾，提取人臉信息，獲取人臉圖像位置，檢測的成功率主要受圖像質量，光線強弱和遮擋等因素影響。
  • 人臉識別的「囚徒困境」
    先是行業外BAT等巨頭攜著資本、品牌力量順勢攪局;緊接著身處於這個行業的老兵也不甘示弱，紛紛「揭竿而起」，一場人臉識別登陸戰就此拉開。對於人臉識別這個狹小AI賽道上的熱鬧景象，早在2017年3月份，李開復就驚嘆「國內出現了四家以人臉識別為主的創業公司現象不合理」，甚至還有投資人表示，2018年6月份可能就是AI的冬天。
  • 人臉識別的商業應用
    每當您識別某人的臉部時，便會使用內部形式的人臉識別。在幾毫秒內，您的大腦就會分解出人臉的各個部分，將它們重新組合在一起，然後將總和與已經存儲在內存中的那些人臉進行匹配。當流程無縫運行時，您甚至都沒有意識到它的發生。
  • 應用層下的人臉識別(三):人臉比對
    本文作者根據多年人臉識別項目經驗，總結了人臉識別技術在安防、商業領域應用及產品設計細節，匯總成應用層下的人臉識別系列文章。本文為系列文章的第三篇——介紹人臉比對相關內容。全文圍繞人類比對類型、人臉比對要素展開介紹。