人脸识别(face recognition,FR)是计算机视觉领域中研究最广泛的问题之一,随着深度学习的发展使得一般条件下的人脸识别取得了巨大的进展并已大量商用。现有的FR系统已经在某些约束环境下实现了令人满意的识别精度。然而,低分辨率条件...人脸识别(face recognition,FR)是计算机视觉领域中研究最广泛的问题之一,随着深度学习的发展使得一般条件下的人脸识别取得了巨大的进展并已大量商用。现有的FR系统已经在某些约束环境下实现了令人满意的识别精度。然而,低分辨率条件下的人脸识别(low-resolution face recognition,LRFR)目前仍然是一个极具挑战性的问题。在低分辨率人脸识别中,人脸图像通常是在非理想条件下捕获的,现有的人脸识别方法识别效果并不理想。为了提高识别精度,面向低分辨率人脸识别,基于CentreFace算法的损失函数进一步提出一种模损失函数用于联合训练。研究表明:该模损失函数可以在保持特征类内距离的情况下,增大类间距离,提高模型的泛化能力。最终在QMUL-SurvFace数据集上进行的4组分析对比实验表明:基于模约束的CentreFace算法识别精度优于CentreFace算法。展开更多
文摘人脸识别(face recognition,FR)是计算机视觉领域中研究最广泛的问题之一,随着深度学习的发展使得一般条件下的人脸识别取得了巨大的进展并已大量商用。现有的FR系统已经在某些约束环境下实现了令人满意的识别精度。然而,低分辨率条件下的人脸识别(low-resolution face recognition,LRFR)目前仍然是一个极具挑战性的问题。在低分辨率人脸识别中,人脸图像通常是在非理想条件下捕获的,现有的人脸识别方法识别效果并不理想。为了提高识别精度,面向低分辨率人脸识别,基于CentreFace算法的损失函数进一步提出一种模损失函数用于联合训练。研究表明:该模损失函数可以在保持特征类内距离的情况下,增大类间距离,提高模型的泛化能力。最终在QMUL-SurvFace数据集上进行的4组分析对比实验表明:基于模约束的CentreFace算法识别精度优于CentreFace算法。
