[论文解读] Cross-Age LFW: A Database for Studying Cross-Age Face Recognition in Unconstrained Environments

Tianyue Zheng, Weihong Deng+1 more|arXiv (Cornell University)|Aug 28, 2017

Face recognition and analysis参考文献 20被引用 304

一句话总结

CALFW 引入一个跨年龄的 LFW 变体，通过选择具备较大年龄差的 3,000 对正样本和同性别、同种族的负样本，在基线方法下，相较于 LFW 的准确率下降 10-17%。

ABSTRACT

Labeled Faces in the Wild (LFW) database has been widely utilized as the benchmark of unconstrained face verification and due to big data driven machine learning methods, the performance on the database approaches nearly 100%. However, we argue that this accuracy may be too optimistic because of some limiting factors. Besides different poses, illuminations, occlusions and expressions, cross-age face is another challenge in face recognition. Different ages of the same person result in large intra-class variations and aging process is unavoidable in real world face verification. However, LFW does not pay much attention on it. Thereby we construct a Cross-Age LFW (CALFW) which deliberately searches and selects 3,000 positive face pairs with age gaps to add aging process intra-class variance. Negative pairs with same gender and race are also selected to reduce the influence of attribute difference between positive/negative pairs and achieve face verification instead of attributes classification. We evaluate several metric learning and deep learning methods on the new database. Compared to the accuracy on LFW, the accuracy drops about 10%-17% on CALFW.

研究动机与目标

• 通过引入与年龄相关的类内变异来推动更现实的人脸验证基准。
• 通过在负样本中控制性别和种族，添加具有大年龄差的 LFW 标识来创建 CALFW。
• 保持与 LFW 相同的验证协议，以便直接比较和研究人员的轻松采用。

提出的方法

• 通过收集具有尽可能大年龄差的 LFW 标识的图像来构建 CALFW。
• 检测、裁剪、对齐并去重人脸；人工验证标签和地标以确保准确性。
• 使用 Dex 模型估计每张图像的年龄，并形成强调正样本最大年龄差的训练/测试对。
• 从同一性别和同一人种的个体中形成负样本，以尽量减少属性差异。
• 在 CALFW 上评估基线度量学习和深度学习方法，并与 LFW 进行比较，以衡量难度。

实验结果

研究问题

• RQ1 引入大跨年龄的类内变异是否会降低相对于 LFW 的人脸验证性能？
• RQ2 属性受控的负样本（同一性别/同一人种）在 CALFW 上如何影响验证难度？
• RQ3 当将 aging 作为类内变异显式建模时，标准度量学习和基于 CNN 的方法是否仍能保持性能？

主要发现

• CALFW 通过将正样本年龄差扩大到平均 16.61 年（SD 10.78）来增加类内 aging 方差，而 LFW 为 4.94 年（SD 4.24）。
• CALFW 的负样本被选择为与正样本具有相同的性别和种族，以降低属性差异。
• 在各基线方法中，与 LFW 相比，CALFW 将验证准确率降低大约 10–17%（例如 ITML：LFW 82.37% vs CALFW 68.82%； VGG-Face：LFW 97.85% vs CALFW 86.50%； Noisy Softmax：LFW 99.18% vs CALFW 82.52%）。
• CALFW 表明 LFW 的属性差异可能会提升验证性能，而 CALFW 的受控设置为跨年龄验证提供了更现实的难度水平。）