[论文解读] Orthogonal Deep Features Decomposition for Age-Invariant Face Recognition

Yitong Wang, Dihong Gong+6 more|arXiv (Cornell University)|Oct 17, 2018

Face recognition and analysis参考文献 40被引用 10

一句话总结

本文提出正交嵌入卷积神经网络（OE-CNNs），一种新颖的深度学习方法，通过球坐标系将人脸特征分解为正交的年龄相关与身份相关分量，实现鲁棒的年龄不变人脸识别。该方法在MORPH Album 2、CACD-VS和FG-NET数据集上达到最先进性能，超越人类水平准确率，并引入大规模、无噪声的跨年龄人脸（CAF）数据集以推动该领域发展。

ABSTRACT

As facial appearance is subject to significant intra-class variations caused by the aging process over time, age-invariant face recognition (AIFR) remains a major challenge in face recognition community. To reduce the intra-class discrepancy caused by the aging, in this paper we propose a novel approach (namely, Orthogonal Embedding CNNs, or OE-CNNs) to learn the age-invariant deep face features. Specifically, we decompose deep face features into two orthogonal components to represent age-related and identity-related features. As a result, identity-related features that are robust to aging are then used for AIFR. Besides, for complementing the existing cross-age datasets and advancing the research in this field, we construct a brand-new large-scale Cross-Age Face dataset (CAF). Extensive experiments conducted on the three public domain face aging datasets (MORPH Album 2, CACD-VS and FG-NET) have shown the effectiveness of the proposed approach and the value of the constructed CAF dataset on AIFR. Benchmarking our algorithm on one of the most popular general face recognition (GFR) dataset LFW additionally demonstrates the comparable generalization performance on GFR.

研究动机与目标

• 解决由老化引起的类内显著差异对人脸识别准确率造成的负面影响。
• 开发一种深度学习框架，显式分离与年龄相关和身份相关的特征，以提升对年龄相关外观变化的鲁棒性。
• 构建大规模、高质量的跨年龄人脸数据集（CAF），以支持并推进年龄不变人脸识别研究。
• 证明所提方法不仅适用于年龄不变人脸识别，也适用于一般人脸识别任务，具有良好的泛化能力。

提出的方法

• 在球坐标系中将深度人脸特征分解为径向（年龄相关）与角向（身份相关）分量，以确保正交性。
• 使用A-Softmax损失训练角向分量以实现身份判别，同时利用年龄标签回归径向分量。
• 通过独立的监督信号端到端联合优化两个分量，以解耦年龄与身份因素。
• 将不受年龄相关变化影响的角向特征作为最终表示，用于年龄不变人脸识别。
• 利用CAF数据集——一个大规模、高质量的跨年龄人脸集合——对模型进行预训练与微调。
• 应用多块集成策略，以提升在FG-NET等挑战性基准上的性能。

实验结果

研究问题

• RQ1 将深度人脸特征正交分解为年龄相关与身份相关分量，能否提升年龄不变人脸识别性能？
• RQ2 通过球坐标系分离年龄与身份信息，如何增强模型在不同年龄群体间的泛化能力？
• RQ3 与现有跨年龄数据集相比，所提出的CAF数据集在多大程度上提升了模型性能？
• RQ4 该方法在LFW等通用人脸识别基准上的表现是否具有竞争力，表明其具备强大泛化能力？

主要发现

• 在FG-NET数据集的MF1小样本协议下，OE-CNNs达到58.21%的rank-1准确率，显著优于次佳方法（TNVP为47.72%）。
• 在FG-NET的MF2大样本协议下，OE-CNNs达到53.26%的rank-1准确率，超越所有其他方法，包括最先进方法如GT-CMU-SYSU（38.21%）。
• 在LFW基准上，OE-CNNs在0.5M训练图像下达到99.35%的准确率，表明其在通用人脸识别任务中具有强大泛化能力。
• 当在包含CAF的170万张扩展数据集上训练时，OE-CNNs在LFW上达到99.47%的准确率，表明CAF数据集显著提升了模型性能。
• 在FG-NET上，该方法在MF1协议下超越人类水平表现，rank-1准确率达到58.21%。
• 大量消融实验证实，正交分解机制能有效解耦年龄与身份因素，实现更鲁棒的特征学习。