文章图片
图 3：脸检测方法的发展历程
此外 ， 研究者讨论了人脸检测方法对后续人脸对齐和表征环节的影响 。 不精确的检测框会导致人脸关键点定位性能下降 ， 使用更鲁棒的人脸检测器能够进一步提升识别性能 。 相关实验结果如下图 4 所示 。
文章图片
图 4：人脸检测对后续要素的影响
人脸对齐
人脸对齐的目标是将检测到的人脸校准到一个规范的标准化视图 ， 并裁剪为固定图像尺寸的图像 ， 这是提高人脸识别性能的必要步骤 。 人脸对齐方法包括基于关键点对齐和不使用关键点的两种技术方案 。 其中 ， 基于关键点的对齐方法是目前最常用的方案 ， 根据如何获取关键点可分为坐标点回归、热力图回归以及 3D 模型拟合三种方法 。 不使用关键点的人脸对齐方法通过可学习的方式直接生成对齐后的人脸图像 ， 具体分类可以参考下表 2 。
文章图片
表 2：人脸对齐方法的类别
下图 5 给出了人脸对齐方法的发展历程 。
文章图片
图 5：人脸对齐方法的发展历程
同时 ， 研究者进一步讨论了五种不同的对齐方法对人脸识别性能的影响 。 下图 6 中的实验结果表明恰当的对齐策略能够有利于提升人脸识别性能 。
文章图片
图 6：合适的对齐策略有利于提升人脸识别性能
人脸表征
人脸表征利用深度卷积神经网络模型从预处理后的人脸图像中提取具有身份判别力的特征 ， 这些特征用于计算匹配人脸之间的相似度 。 我们从网络模型架构 ， 训练监督 ， 以及具体的识别任务三个方面对人脸表征分别进行介绍 ， 方法的具体分类可参考下表 3 。
文章图片
表 3：人脸表征学习方法的类别
下图 7 是人脸表征训练监督方法的发展历程 ， 包含了分类学习、特征嵌入、混合方法以及半监督学习四种方案 。
文章图片
图 7：人脸表征训练监督方法
下图 8 是三种有监督人脸表示学习方法与公开数据集规模的发布趋势 ， 其中分类学习是目前主流研究和采用的方法 。 可以发现随着训练和测试的数据集规模不断增加 ， 对大规模数据集进行闭集分类训练 ， 可以近似模拟人脸识别的开集场景 。 这可能是近年来基于分类的训练方法得到广泛研究并占据主导地位的原因 。
文章图片
图 8：三种监督人脸表示学习方法与公开数据集规模的发布趋势
讨论和总结
最后 ， 研究者分析了端到端人脸识别系统各个组成要素现有的问题和未来趋势 ， 同时还有三种要素共有的挑战 ， 以及面向整个识别系统的角度讨论了现有挑战和发展方向 ， 如下表 4 所示 。
文章图片
表 4：端到端深度人脸识别系统的主要挑战
特别声明：本站内容均来自网友提供或互联网，仅供参考，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。