2、深度卷积神经网络人脸识别：回顾与展望

深度卷积神经网络人脸识别：回顾与展望

1. 人脸识别中的验证与识别

在人脸识别领域，人脸验证和识别本质上可归结为同一类问题。在识别任务中，给定一个探测图像，目标是从图像库中找出与之最匹配的图像，这通过计算探测图像与库中图像特征表示的相似度来实现，相似度最高的图像即为输出结果。而在验证任务中，目的是判断给定的一对图像是否属于同一人，同样也是通过计算这两幅图像特征表示的相似度来完成。两者的基本操作都是提取特征表示并与其他图像的特征表示进行比较，遵循“检测、对齐、比较”的流程。

下面是一个典型的人脸验证训练和测试流程：

graph LR
    A[对齐人脸训练集] --> B[训练深度网络进行C - 方式分类]
    B --> C[测试时提取特征]
    C --> D[比较特征相似度]
    D --> E[判断是否为同一人]

部分近期人脸验证方法在 IJB - A 和 IJB - C 基准测试中的性能如下：
| IJB - A 验证性能（真接受率 % @ 假接受率） | 0.0001 | 0.001 | 0.01 | 0.1 |
| — | — | — | — | — |
| GOTS [6] | – | 20(0.8) | 41(1.4) | 63(2.3) |
| Pose - Aware Models [70] | – | 65.2(3.7) | 82.6(1.8) | – |
| LSFS [71] | – | 51.4(6) | 73.3(3.4) |