基于变换器的辅助损失用于跨年龄变化的人脸识别-计算机科学-机器学习-人脸识别-神经网络.pdf

基于变换器的辅助损失用于跨年龄变化的人脸识别

PriteshPrakashSUmamaheswaran

CentralResearchLaboratoryCentralResearchLaboratory

BharatElectronicsLimitedBharatElectronicsLimited

Ghaziabad,India,201010Ghaziabad,India,201010

priteshprakash@bel.co.insumamaheswaran@bel.co.in

Abstract

本

译老龄化对面部识别构成了重大挑战，因为皮肤纹理和

色调的变化会随着时间的推移改变面部特征，使得特

中别难以比较多年后拍摄的同一人的图像，例如在长期(a)(b)

3身份识别场景中。变换器网络具有保持由老化效应引

v

8起的顺序空间关系的能力。本文提出了一种使用变换

9器网络作为附加损失来进行损失评估的技术，在面部

1

2识别领域内使用该技术。本研究旨在分析当卷积神经(c)(d)

0

.网络特征图按顺序排列时变换器的行为。这些顺序向量

2图1.来自AgeDB数据集的年轻和老年年龄段的图像样本

1有可能克服与老龄化相关的皱纹或皮肤松弛等纹理或

4区域结构问题。学习到的特征可以更加不受年龄影响，

2

:补充标准度量损失嵌入的辨别能力。通过这种技术，我易见的变化，包括色素沉着、皮肤松弛、眼周区域的变

v

i们使用变换器损失与各种基本度量损失函数相结合来化、面部比例的改变、皱纹和细纹[4,15]。此外，老龄

x

r评估组合损失函数的效果。我们观察到这样的配置允化还影响整体脸型大小、对称性和皮肤质地，导致如图

a

许网络在年龄变化的数据集（即CA-LFW和AgeDB）1所示的重大视觉变化。这可能会引起面部特征点的变

中实现最先进的结果。本研究拓宽了变换器在机器视化，包括眼宽、鼻宽或高度以及面部高宽比的变化。面

觉领域的应用，并为将变换器作为损失函数的创新使部特征的改变会导致同一身份在嵌入空间中的重大转

用铺平了道路。移。然而，年龄相关的脸部通常无论年龄大小都保持一

致的空间关系，而变换网络[29]在捕捉长距离依赖方

1.介绍面效果显著，这可能有助于建模与老龄化相关的变化

如何分布在脸上。我们假设将转换器作为损失函数在

本研究的动机是将失踪人员的脸部与他们的年龄应对年龄挑战的场景中特别有效，因为面部特征之间

较大的对应者进行匹配，以协助他们被找回并帮助家的空间关系在整个年龄段内相对保持一致。

庭重新与失散多年的成员团聚。当前的情况令人深感

担忧，全球范围内的失踪人口报告已经达到临界水平研究人员引入了许多架构更改[1,12,22,27,30]，

[10,20]。根据给定的问题，本研究的主要关注点是应对以进一步研究机器视觉和人脸识别任务中的CNNs[11,

年龄变化的挑战，并试图解决由于年龄增长而导致的17]。在这些设计中，每次卷积操作都会逐步减少特征

脸部变化问题