伪装人脸识别的深度迁移训练方法研究
    点此下载全文
引用本文:项阳,吴晓富,张索非.伪装人脸识别的深度迁移训练方法研究[J].南京邮电大学学报:自然科学版,2020,40(3):31~38
摘要点击次数: 95
全文下载次数: 57
作者单位
项阳 南京邮电大学 通信与信息工程学院江苏南京210003 
吴晓富 南京邮电大学 通信与信息工程学院江苏南京210003 
张索非 南京邮电大学 物联网学院江苏南京210003 
基金项目:国家自然科学基金(61372123,61701252)资助项目
中文摘要:伪装人脸指的是对正常人脸的外观进行有意或者无意的修饰。目前,流行的伪装人脸识别训练一般采用两阶段式训练算法:第一阶段先利用通用人脸数据集训练深度神经网络,第二阶段则在第一阶段训练好的网络上基于伪装人脸数据集DFW训练集进行迁移微调。文中基于目前流行的两阶段式伪装人脸识别迁移训练方法给出了一些新的尝试。区别于文献中其他算法,新算法第一阶段基于加性角间距损失函数来训练通用人脸识别网络模型;鉴于通常配对训练的三元组损失函数缺乏正样本之间的距离约束,新算法第二阶段在三元组损失函数的基础上提出一种正样本之间的距离约束来限制类内距离。在DFW测试集上进行的大量实验结果表明:在误识率为0.1%的条件下,所提算法在DFW的3个测试协议下准确度分别达到60.48%、82.88%、82.04%。
中文关键词:人脸识别  深度学习  特征学习  特征映射
 
Deep adaptation for disguised face recognition
Abstract:Recently, a disguised face recognition has received increasing attention, where disguises are due to intentional or unintentional modifications in the facial appearance. A novel two stage training approach for deep disguised face recognition is proposed. At its first stage, a convolutional neural network (CNN) is trained for generic face recognition with the powerful additive angular margin loss. At the senond stage, the CNN is finely adapted to the disguised face in the wild (DFW) dataset using a novel joint loss.The triplet loss is combined with a novel loss to further control the distances over positive pairs. Experimental results over the DFW testing dataset show that under condition of the false acceptance rate of 0.1%, compared with the MiRA Face algorithm , the proposed algorithm can obtain the accuracy of 60.48% (protocol 1), 82.88% (protocol 2) and 82.04% (protocol 3), respectively.
keywords:face recognition  deep learning  discriminative feature learning  feature embedding
查看全文  查看/发表评论  下载PDF阅读器

你是第3044466访问者
版权所有《南京邮电大学学报(自然科学版)》编辑部
Tel:86-25-85866913 E-mail:xb@njupt.edu.cn
技术支持:本系统由北京勤云科技发展有限公司设计