[论文解读] DeepVisage: Making face recognition simple yet with powerful generalization skills

Abul Hasnat, Julien Bohné+3 more|arXiv (Cornell University)|Mar 24, 2017

Face recognition and analysis被引用 20

一句话总结

DeepVisage 提出了一种简单但强大的基于单个 CNN 的人脸识别方法，仅使用身份标签、特征归一化和 Softmax 损失即实现了最先进性能。其在 LFW 上达到 99.62% 的准确率，在 IJB-A 上实现 82.4% 的 TAR@FAR=0.001，在 YouTube Faces 上达到 96.24%，在 CACD 上达到 99.13%，展示了在无需复杂训练过程或多损失优化的情况下，对多样化数据集的强大泛化能力。

ABSTRACT

Face recognition (FR) methods report significant performance by adopting the convolutional neural network (CNN) based learning methods. Although CNNs are mostly trained by optimizing the softmax loss, the recent trend shows an improvement of accuracy with different strategies, such as task-specific CNN learning with different loss functions, fine-tuning on target dataset, metric learning and concatenating features from multiple CNNs. Incorporating these tasks obviously requires additional efforts. Moreover, it demotivates the discovery of efficient CNN models for FR which are trained only with identity labels. We focus on this fact and propose an easily trainable and single CNN based FR method. Our CNN model exploits the residual learning framework. Additionally, it uses normalized features to compute the loss. Our extensive experiments show excellent generalization on different datasets. We obtain very competitive and state-of-the-art results on the LFW, IJB-A, YouTube faces and CACD datasets.

研究动机与目标

• 开发一种简单、基于单个 CNN 的人脸识别方法，无需复杂训练流程或额外数据准备即可实现最先进性能。
• 探究仅使用身份标签训练的单个 CNN 是否能在多样化的人脸识别基准上实现有效泛化。
• 探讨特征归一化与残差学习在人脸识别中对泛化能力和性能的影响。
• 减少对复杂策略（如三元组损失、度量学习或多模型集成）的依赖。
• 证明通过最小化的网络架构与训练复杂度，即可实现高性能。

提出的方法

• 一个包含 27 个卷积层和 1 个全连接层的深度 CNN，采用残差学习框架以提升训练稳定性和性能。
• 在计算 Softmax 损失前应用特征归一化，以增强类内紧凑性和类间分离性。
• 模型仅使用标准的 Softmax 交叉熵损失和身份标签进行训练，避免使用如三元组损失或中心损失等复杂损失函数。
• 通过两张图像的归一化深度特征之间的简单 L2 距离进行人脸识别验证。
• 避免使用如在线三元组挖掘或离线三元组生成等计算密集型预处理步骤。
• 网络架构设计注重效率与实现简便性，仅依赖标准深度学习组件。

实验结果

研究问题

• RQ1 仅使用身份标签训练的单个深层 CNN 是否能实现最先进的人脸识别性能？
• RQ2 在不引入额外损失组件的前提下，训练前对特征进行归一化是否能提升泛化能力？
• RQ3 与复杂的多损失或多模型方法相比，该方法在不同数据集上的准确率和泛化能力如何？
• RQ4 该方法的失败模式是什么？其与图像质量、姿态、遮挡或关键点检测问题有何关联？
• RQ5 一个结构简单、基于残差的 CNN 搭配归一化特征，是否能超越使用度量学习或多模型集成的更复杂架构？

主要发现

• DeepVisage 在 LFW 基准上达到 99.62% 的准确率，表明其在无约束人脸验证任务中表现强劲。
• 在 IJB-A 数据集上，其 TAR@FAR=0.001 达到 82.4%，处于最先进方法的前列，适用于基于模板的人脸匹配。
• 在 YouTube Faces 数据集上，其准确率达到 96.24%，表明对视频人脸识别挑战具有强大鲁棒性。
• 在 CACD 数据集上，其准确率达到 99.13%，显示出在跨年龄人脸识别场景下的高性能。
• 该方法在多样化数据集上表现出良好泛化能力，包括存在显著姿态、光照和年龄变化的数据集。
• 失败分析显示，遮挡（如眼镜、帽子）、高姿态变化以及关键点检测失败是导致误判的主要原因。