摘要
在非受限环境下的面部识别仍是当前研究中的一个持续挑战。尽管姿态变化、低分辨率等影响因素已受到广泛关注，但“伪装”（disguise）被视为面部识别中尤为棘手的干扰因素之一。其主要原因在于缺乏大规模且具有代表性的带标签数据集，同时缺乏能够在复杂环境下有效应对多种干扰因素的算法。为解决伪装条件下的人脸识别问题，本文提出了一种名为A2-LINK的主动学习框架。该框架以一个预训练的人脸识别机器学习模型为基础，智能地从目标域中选择最具信息量的样本进行人工标注，并通过引入混合噪声（如对抗性噪声）对模型进行微调，使其在存在或不存在伪装的情况下均能保持良好性能。实验结果表明，该框架在DFW和DFW2019数据集上，结合当前最先进的深度特征提取模型（如LCSSE、ArcFace和DenseNet），展现出优异的识别效果与良好的泛化能力。
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| heterogeneous-face-recognition-on-disguised-1 | A2-LINK | GAR @0.1% FAR Impersonation: 69.27 GAR @0.1% FAR Obfuscation: 93.08 GAR @0.1% FAR Overall: 93.01 GAR @1% FAR Impersonation: 99.01 GAR @1% FAR Obfuscation: 95.93 GAR @1% FAR Overall: 95.99 |
| heterogeneous-face-recognition-on-disguised-2 | A-LINK | GAR @0.01% FAR Impersonation: 52.80 GAR @0.01% FAR Obfuscation: 94.02 GAR @0.01% FAR Overall: 93.06 GAR @0.01% FAR Plastic Surgery: 92.00 GAR @0.1% FAR Impersonation: 76.40 GAR @0.1% FAR Obfuscation: 96.84 GAR @0.1% FAR Overall: 95.96 GAR @0.1% FAR Plastic Surgery: 95.20 |
| heterogeneous-face-recognition-on-disguised-2 | A2-LINK | GAR @0.01% FAR Impersonation: 54.40 GAR @0.01% FAR Obfuscation: 97.20 GAR @0.01% FAR Overall: 96.18 GAR @0.01% FAR Plastic Surgery: 96.00 GAR @0.1% FAR Impersonation: 79.2 GAR @0.1% FAR Obfuscation: 99.00 GAR @0.1% FAR Overall: 98.63 GAR @0.1% FAR Plastic Surgery: 98.80 |