深度人脸识别算法若干问题研究

• 作 者: 文戈
• 机 构: 浙江大学
• 出 处: 浙江大学
• 发表日期: 2019年期
• 关键词: 深度人脸识别 分裂网络框架 数据增强 领域迁移 损失函数

近年来，人脸识别被越来越多地应用到了日常生活中的各个场景，如酒店前台的身份核验，公司内部的门禁考勤，公共场所的视频监控等等。其中一个原因就是深度学习算法特别是卷积神经网络的兴起，促进了深度人脸识别算法的快速发展。当前，研究者围绕着深度人脸识别算法，主要进行三方面的研究，网络结构，数据利用以及损失函数。针对这三个方面，本文亦分别开展了以下研究工作:　　1.高效整合全局信息与局部信息的分裂网络框架。针对当前深度人脸识别算法中裁剪图像的方法存在的预测耗时、信息不能有效融合等弊端，本文提出了一个全新的端到端网络框架，分裂网络。分裂网络框架可以在单个网络模型中同时利用整合全局信息与局部信息，从而达到在更小计算量增长情况下取得更高的准确率提升。本文在LFW两个不同协议下对分裂网络效果进行了验证。相比与原始模型，及裁剪图像的方法，分裂网络表现优异，以较小的训练集及较低的计算量，取得了媲美业界最佳的效果。　　2.百万规模跨领域数据迁移及数据增强研究。几乎全部现有的人脸识别训练数据集与标准测试数据集均由较易收集的互联网中知名人士人脸图像组成，具有相同的数据分布，同时人脸姿态相对可控。这造成了深度人脸识别算法在标准测试集与更加困难的真实场景上效果的巨大差异。针对这个问题，本文整理了一个不同数据分布的百万规模模特数据集，并旨在利用它提升LFW准确率。本文指出直接使用不同领域数据集进行合并训练是不利于效果的，并提出使用领域迁移的方法弥补这个偏差，并将LFW错误率降低了27.4％。同时，本文使用激进的数据增强方式代替通用的人脸对齐过程，在不进行对齐操作的情况下，取得了超过FaceNet的效果。　　3.整合阈值的人脸验证损失。损失函数是目前深度人脸识别算法领域一个活跃的话题。然而大部分损失函数均没有考虑模型部署阶段中的重要概念，阈值。这造成了模型优化与模型部署之间的一个差异性。针对这个问题，本文从人脸验证问题理想约束进行推导，提出了一个新的损失函数，人脸验证损失。通过将阈值整合到损失函数中，人脸验证损失有效地将LFW错误率降低了26.9％。同时，本文对人脸验证损失与对比损失及三元组损失进行了分析，表明人脸验证损失是后两者的一种更泛化且更优的形式。