基于注意力机制和深度恒等映射的人脸识别

针对在自然场景下,受到姿态变化、侧脸等因素的干扰,人脸识别难度提升的问题,提出一种改进的残差神经网络,优化原有网络模型结构并且引入加强通道重要特征获取的注意力机制。同时添加深度残差恒等映射模块,不增加过多参数量的情况下,实现了在深度特征空间层将侧脸特征映射为正脸特征的功能,进一步实现人脸识别率。实验结果表明:在常用的LFW,CFP,IJB-A等人脸数据集上,提出的网络优于现有的残差神经网络,提升了非约束条件下的人脸识别效果。

基于联合损失和恒等映射的动态人脸识别

在视频及非约束条件下获取的动态人脸受到姿态、表情和侧脸等复杂干扰因素,使其识别难度增大。针对上述问题,提出一种基于联合损失和恒等映射的动态人脸识别算法。以Resnet34为基础网络,联合SoftMax Loss,中心损失(Center Loss)和Joint Loss扩大人脸类间距;减小人脸类内距,同时在网络中引入深度残差恒等映射模块,进一步减小侧脸的干扰。在LFW,SLFW,YTF,MegaFace等数据集上,所提算法表现出更强的性能,并且在实验平台上能完成实时视频动态人脸识别的任务。