针对跨年龄人脸识别任务,在同时进行人脸身份识别和年龄分类这两个任务的多任务卷积神经网络的基础上加入直和模块,提出了一种基于特征子空间直和的多任务卷积神经网络(FSDS-CNN)。该网络利用2个并行子网分别从深度特征中提取出身份相...针对跨年龄人脸识别任务,在同时进行人脸身份识别和年龄分类这两个任务的多任务卷积神经网络的基础上加入直和模块,提出了一种基于特征子空间直和的多任务卷积神经网络(FSDS-CNN)。该网络利用2个并行子网分别从深度特征中提取出身份相关特征和年龄相关特征,并对这2个相关特征所对应的特征子空间施加直和约束,使得身份相关特征与年龄相关特征尽可能无关。通过多损失的联合监督学习,该网络可以获得随年龄变化鲁棒的年龄无关人脸身份特征。分别在Morph Album 2、CACD-VS和Cross-Age LFW数据集上进行实验,其中在CACD-VS数据集中,所提方法的AUC最优值为99.7%;在Cross-Age LFW数据集中,所提方法在等错误率(EER)和错误匹配率(FMR)为0.1时的错误非匹配率(FNMR)上分别取得了最优值10.1%和10.2%。同时在3个数据集上的实验均进行了消融对比实验以验证直和模块的有效性。实验结果表明,身份特征与年龄特征的相关性被FSDS-CNN中的直和模块有效地降低,从而有效提升了模型跨年龄人脸识别的性能。展开更多
文摘针对跨年龄人脸识别任务,在同时进行人脸身份识别和年龄分类这两个任务的多任务卷积神经网络的基础上加入直和模块,提出了一种基于特征子空间直和的多任务卷积神经网络(FSDS-CNN)。该网络利用2个并行子网分别从深度特征中提取出身份相关特征和年龄相关特征,并对这2个相关特征所对应的特征子空间施加直和约束,使得身份相关特征与年龄相关特征尽可能无关。通过多损失的联合监督学习,该网络可以获得随年龄变化鲁棒的年龄无关人脸身份特征。分别在Morph Album 2、CACD-VS和Cross-Age LFW数据集上进行实验,其中在CACD-VS数据集中,所提方法的AUC最优值为99.7%;在Cross-Age LFW数据集中,所提方法在等错误率(EER)和错误匹配率(FMR)为0.1时的错误非匹配率(FNMR)上分别取得了最优值10.1%和10.2%。同时在3个数据集上的实验均进行了消融对比实验以验证直和模块的有效性。实验结果表明,身份特征与年龄特征的相关性被FSDS-CNN中的直和模块有效地降低,从而有效提升了模型跨年龄人脸识别的性能。
