科研之友
微信
新浪微博
Facebook
分享链接
摘要
近年来样本挖掘策略被融入人脸识别的损失函数中，显著提升了人脸识别性能，但大部分工作都集中在如何在训练阶段挖掘困难样本，没有考虑到困难样本中潜在的无法识别的样本图像，从而导致模型对低质量人脸图像的识别性能较差。针对该问题，文章提出了一种结合样本难度自适应和图像质量自适应的混合自适应损失函数MixFace，该损失函数将基于课程式学习的损失函数CurricularFace与图像自适应损失函数AdaFace相结合，将特征范数作为图像质量指标融入损失函数中，在关注图像质量的前提下在训练前期关注简单样本，后期关注困难样本，降低网络模型对困难样本中部分低质量不可识别样本的关注。分别使用CASIA-WebFace和MS1MV2数据集训练，MixFace在高质量测试集LFW、CFP＿FP、AgeDB、CALFW和CPLFW上相比CurricularFace和AdaFace有不同程度的性能提升，同时MixFace在中等质量测试集IJB-B、IJB-C以及低质量测试集TinyFace上显示出比CurricularFace和AdaFace更好的识别性能。实验结果表明MixFace能有效降低无法识别图像的干扰，进而提升低质量人脸识别性能，同时受益于MixFace中课程式学习的方式，对于高质量人脸识别仍然能保持较好的性能。
- 单位
