基于大边距余弦相似度学习的细粒度人脸认证
针对细粒度人脸认证(fine-grained face verification,FGFV)中如何有效区分非常相似的人脸图像问题,提出了一种大边距余弦相似度学习(large margin cosine similarity learning,LMCSL)方法,以提高认证精度.实验中,正样本对由同一人的2幅人脸图像组成,不同于传统人脸认证,每个负样本对由双胞胎人脸图像组成,能呈现非常相似的面部外观.LMCSL方法通过在大边距框架条件下学习一个线性变换,使在投影子空间正样本对的余弦相似度大于较大的阈值,并使约束负样本对的余弦相似度小于较小的阈值,提高了正样本对的相似度,降低了负样本对的相似度,可有效区分双胞胎的人脸图像.在FGFV基准数据集上的实验结果表明,所提LMCSL方法对细粒度人脸认证问题有效、可行.
人脸认证、细粒度人脸认证、余弦相似度、度量学习
16
TP391(计算技术、计算机技术)
北京市自然科学基金资助项目4204108
2021-04-23（万方平台首次上网日期，不代表论文的发表时间）
共6页
253-258
