ICCV 2021 | 基于生成数据的人脸识别( 三 ) 作者|邱海波编辑|王晔本文是对

然后我们再来探索生成数据集的宽度（即类别数量）和深度（即类内样本数量）对识别准确率的影响，参见表3. 可以看到随着深度和宽度的增加，准确率都是逐步上升的。但是深度在达到20之后，准确率就开始出现饱和。另外我们通过观察(a)(e)可以看到，它们具有相同数量的总样本（50K），但是(a)极大地超过了(e) ，差距为4.37 ，说明了宽度相比深度承担了更重要的角色。另外通过引入Identity Mixup （IM），我们可以看到所有的设置都得到了很大地提升，再次说明了IM的有效性。

文章图片

文章图片
表3：生成数据集的宽度以及深度探索
最后我们分析了生成人脸各个特性（即表情，姿态和光照）的影响，我们通过保持其他特性不变，只改变当前探索的特性。比如Expression就是该类内保持其他姿态和光照等不变，只变化表情得到的生成数据，它们训练得到的模型准确率参见图6. 可以看到什么都不变（Non）和只变表情取得了最差的结果，这是因为这里生成的表情种类十分有限，基本上是微笑，故而可以等价成什么都不变。改变姿态和光照取得了巨大提升，这可能是因为测试数据集中的姿态和光照变化非常大的缘故。同样地，引入IM带来了稳定的提升，并且都达到了相似的准确率。潜在的原因是IM可以被视作为一种很强的数据增强，减少了各个特性对最终准确率的影响。

文章图片

文章图片
图6：生成人脸不同特性的对比实验5结语
在本文中我们探索了如何利用生成仿真的人脸数据来有效地训练人脸识别模型。通过相关实验结果对比分析，我们提出Identity Mixup来增加生成数据的类内距离，并引入Domain Mixup进一步缩小生成数据与真实数据的领域差异，两者皆大幅度地提升了识别准确率，极大地缩小了与真实数据训练所得到模型的差距。此外我们对于人脸的不同特性进行了系统性分析，揭示了训练数据集的深度与宽度对于最终识别率都有很大影响，随着两者的增加，识别率也会随之上升，但是饱和情况会先出现在深度维度，即说明宽度更为重要。再者就是丰富姿态和光照的变化能使得生成数据更加接近真实数据，从而大幅度提升识别率。更多实验结果分析还请参见原论文。
参考文献
[1] Yandong Guo, Lei Zhang, Yuxiao Hu, Xiaodong He, and Jianfeng Gao. Ms-celeb-1m: A dataset and benchmark for large-scale face recognition. ECCV 2016.[2] Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, DavidWarde-Farley, Sherjil Ozair, Aaron Courville, and Yoshua Bengio. Generative adversarial nets. NeurIPS 2014.[3] Yu Deng, Jiaolong Yang, Dong Chen, Fang Wen, and Xin Tong. Disentangled and controllable face image generation via 3d imitative-contrastive learning. CVPR 2020[4] Ingwer Borg and Patrick JF Groenen. Modern multidimensional scaling: Theory and applications. Springer Science & Business Media, 2005.[5] Hongyi Zhang, Moustapha Cisse, Yann N Dauphin, and David Lopez-Paz. mixup: Beyond empirical risk minimization. arXiv preprint arXiv:1710.09412, 2017.

文章图片

文章图片
雷锋网雷锋网雷锋网
【ICCV 2021 | 基于生成数据的人脸识别】来源：雷锋网