摘要
近年来，深度学习的进展显著提升了人脸识别的能力。然而，在非受控环境下的人脸识别仍是当前活跃的研究挑战。姿态变化和低分辨率等协变量已受到广泛关注，而“伪装”则被视为人脸识别中尤为棘手的干扰因素。其主要原因在于缺乏大规模且具有代表性的数据库。为应对伪装人脸的识别难题，本文提出一种主动学习框架 A-LINK，该框架能够从目标域数据中智能选择训练样本，使决策边界避免对特定变化模式产生过拟合，从而更好地建模和泛化各类变化特征。在此基础上，该框架进一步利用主动选择的训练样本进行域适应，以微调网络模型。实验结果表明，所提出的框架在 DFW 和 Multi-PIE 数据集上，结合 LCSSE 和 DenseNet 等先进模型，均展现出显著的有效性。
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| heterogeneous-face-recognition-on-cmu-mpie-1 | A-LINK | 16x16 Accuracy: 92.4 24x24 Accuracy: 92.6 32x32 Accuracy: 92.8 48x48 Accuracy: 92.9 |
| heterogeneous-face-recognition-on-disguised-1 | A-LINK | GAR @0.1% FAR Impersonation: 75.38 GAR @0.1% FAR Obfuscation: 72.13 GAR @0.1% FAR Overall: 72.72 GAR @1% FAR Impersonation: 95.73 GAR @1% FAR Obfuscation: 88.97 GAR @1% FAR Overall: 89.3 |