MagFace: Eine universelle Darstellung für die Gesichtserkennung und Qualitätsbewertung

Die Leistung von Gesichtserkennungssystemen nimmt ab, wenn die Varianz der erfassten Gesichter zunimmt. Frühere Arbeiten mildern dieses Problem, indem sie entweder die Gesichtqualität in der Vorverarbeitung überwachen oder die Datenunsicherheit zusammen mit den Gesichtszügen vorhersagen. Dieses Papier schlägt MagFace vor, eine Kategorie von Verlusten, die ein universelles Merkmalsembedding lernen, dessen Größe die Qualität des gegebenen Gesichts messen kann. Unter dem neuen Verlust kann bewiesen werden, dass die Größe des Merkmalsembeddings monoton zunimmt, wenn das Subjekt wahrscheinlicher erkannt wird. Darüber hinaus führt Mag-Face einen adaptiven Mechanismus ein, um gut strukturierte Klassenverteilungsmerkmale zu lernen, indem es einfache Proben zu den Klassenzentren zieht und schwierige Proben wegdrückt. Dies verhindert, dass Modelle auf rauschhaften, qualitativ schlechten Proben überanpassen und verbessert die Gesichtserkennung in der Wildnis. Umfassende Experimente zur Gesichtserkennung, Qualitätsbewertungen sowie Clustering zeigen die Überlegenheit gegenüber dem Stand der Technik. Der Code ist verfügbar unter https://github.com/IrvingMeng/MagFace.