[论文解读] Face Recognition: From Traditional to Deep Learning Methods

Daniel Sáez-Trigueros, Li Meng+1 more|arXiv (Cornell University)|Oct 31, 2018

Face recognition and analysis参考文献 101被引用 104

一句话总结

该论文综述人脸识别的传统几何、整体、基于特征、混合方法到现代深度学习方法，详细描述构建模块、数据集以及代表性方法和性能。

ABSTRACT

Starting in the seventies, face recognition has become one of the most researched topics in computer vision and biometrics. Traditional methods based on hand-crafted features and traditional machine learning techniques have recently been superseded by deep neural networks trained with very large datasets. In this paper we provide a comprehensive and up-to-date literature review of popular face recognition methods including both traditional (geometry-based, holistic, feature-based and hybrid methods) and deep learning methods.

研究动机与目标

• 调查从几何到深度学习的人脸识别方法的演变。
• 比较整体、基于特征和混合方法及其对现实世界变化的鲁棒性。
• 解释人脸识别系统的常见构建模块（检测、对齐、表示、匹配）。
• 突出能推动 CNN 基于性能提升的大规模数据集。
• 总结代表性方法及其在标准基准上的报告准确率。

提出的方法

• 将方法分为基于几何、整体、基于特征、混合以及深度学习等类别。
• 将 PCA/LDA、核方法、稀疏表示和 SVM 描述为基础技术。
• 解释检测、对齐、表示和匹配构建块。
• 讨论基于 CNN 的策略，包括基于分类的训练、瓶颈特征和度量学习（如 Siamese、对比损失）。
• 引用里程碑系统（如 DeepFace、DeepID）及其架构创新和对齐策略。
• 总结在如 LFW 这类基准上的性能及其报告的准确率。

实验结果

研究问题

• RQ1 人脸识别方法的主要历史类别及其优缺点是什么？
• RQ2 相较于传统方法，深度学习方法如何提升人脸识别？
• RQ3 有效人脸识别系统所必需的构建块有哪些，它们如何互动？
• RQ4 哪些数据集和架构推动了在如 LFW 这类标准基准上的性能提升？

主要发现

• 使用 PCA/LDA 和稀疏表示的整体方法在深度学习之前取得了显著的准确性，报道的在 LFW 上的表现如整体方法为 92.4%。
• 基于 CNN 的人脸识别在大规模野外数据集上训练时显著提升了准确性，例如 DeepFace 在 LFW 上达到 97.35%。
• GaussianFace 在 LFW 上达到 98.52%，展示强跨域判别能力。
• 将局部特征（LBP、Gabor、SIFT）与子空间学习相结合的混合方法通常优于单一技术方法。
• 早期基于 CNN 的方法需要大数据集和更高容量的网络来超越传统方法，为当前最先进结果奠定基础。