CVPR2022 Oral | CosFace、ArcFace的大统一升级,AdaFace解决低质量图像人脸识

wwwsxn

已于 2022-04-25 14:59:43 修改

阅读量2.6k

点赞数

分类专栏：深度学习文章标签：数据结构

于 2022-04-22 12:16:46 首次发布

原文链接：https://www.aminer.cn/research_report/62621e3f7cb68b460fa5bb9b?=cs

版权

深度学习专栏收录该内容

716 篇文章

订阅专栏

AdaFace是CVPR2022的一项Oral工作，专注于解决低质量图像人脸识别问题。该方法通过引入图像质量因素来调整损失函数，特别是强调错误分类样本的重要性。利用特征范数近似图像质量，AdaFace在不牺牲高质量图像识别性能的同时，提升了低质量图像的识别准确性。实验证实在多个数据集上超越了现有最佳结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

#今日论文推荐# CVPR2022 Oral | CosFace、ArcFace的大统一升级,AdaFace解决低质量图像人脸识

一直以来，低质量图像的人脸识别都具有挑战性，因为人脸属性是模糊和退化的。margin-based loss functions的进步提高了嵌入空间中人脸的可辨别性。此外，以往的研究研究了适应性损失的影响，使错误分类（Head）的样本更加重要。
在这项工作中，在损失函数中引入了另一个因素，即图像质量。作者认为，强调错误分类样本的策略应根据其图像质量进行调整。具体来说，简单或困难样本的相对重要性应该基于样本的图像质量来给定。据此作者提出了一种新的损失函数来通过图像质量强调不同的困难样本的重要性。
本文的方法通过用feature norms来近似图像质量，这里是以自适应边缘函数的形式来实现这一点。
大量的实验表明，AdaFace在4个数据集(IJB-B、IJB-C、IJB-S和IJBTinyFace)上提高了现有的(SoTA)的人脸识别性能。

对于人脸识别，大家可能觉得已经内卷的差不多了，没什么可以挖掘的了，但是实际上我们还是在有意无意的在回避一些实际落地的问题，AdaFace则是一个直面落地问题的经典工作，作为CVPR2022的Oral工作当之无愧。
其直面低质量人脸图像的识别问题，同时作者通过使用特征范数来近似图像质量提出一个概括性的损失函数，可以随意在ArcFace和CosFace之间随意游走，在提升低质量图像的识别精度的同时，也没有损失高质量图像的精度，可以说是一个很不错和经典的工作。
希望这里的解读可以帮助到大家！！！

论文题目：AdaFace: Quality Adaptive Margin for Face Recognition
详细解读：https://www.aminer.cn/research_report/62621e3f7cb68b460fa5bb9b?=csAMiner利用数据挖掘和社会网络分析与挖掘技术，提供研究者语义信息抽取、面向话题的专家搜索、权威机构搜索、话题发现和趋势分析、基于话题的社会影响力分析、研究者社会网络关系识别等众多功能。https://www.aminer.cn/research_report/62621e3f7cb68b460fa5bb9b?
AMiner链接：https://www.aminer.cn/?f=cs