Open-Set Face Recognition with Maximal Entropy and Objectosphere Loss

要約

オープンセットの顔認識は、訓練および登録段階では見られなかった未知の個人が操作時間に現れるシナリオを特徴づけます。
この作業は、低い誤検知率で動作することが期待されるオープンセット タスクであるウォッチリストに焦点を当てており、一般に ID ごとに少数の登録サンプルしか含まれていません。
物体圏損失 (OS) や提案された最大エントロピー損失 (MEL) などの個別のコスト関数と組み合わせた場合に、追加のネガティブな顔画像から恩恵を受けるコンパクトなアダプター ネットワークを紹介します。
MEL は、負のサンプルのエントロピーを増加させるために従来のクロスエントロピー損失を修正し、ギャラリーの特殊化を追求して既知のターゲット クラスにペナルティを付加します。
提案されたアプローチでは、顔認識用の事前トレーニング済みディープ ニューラル ネットワーク (DNN) を特徴抽出器として採用します。
次に、アダプター ネットワークは深い特徴表現を取得し、アジャイル ドメイン適応と引き換えに、事前トレーニングされた DNN の出力層の代わりとして機能します。
LFW、IJB-C、UCCS の 3 つの異なるデータセットのオープンセット プロトコルに従って、有望な結果が得られました。また、アダプター ネットワークを微調整するために補足的なネガティブ データが適切に選択された場合、最先端のパフォーマンスが得られました。

要約(オリジナル)

Open-set face recognition characterizes a scenario where unknown individuals, unseen during the training and enrollment stages, appear on operation time. This work concentrates on watchlists, an open-set task that is expected to operate at a low False Positive Identification Rate and generally includes only a few enrollment samples per identity. We introduce a compact adapter network that benefits from additional negative face images when combined with distinct cost functions, such as Objectosphere Loss (OS) and the proposed Maximal Entropy Loss (MEL). MEL modifies the traditional Cross-Entropy loss in favor of increasing the entropy for negative samples and attaches a penalty to known target classes in pursuance of gallery specialization. The proposed approach adopts pre-trained deep neural networks (DNNs) for face recognition as feature extractors. Then, the adapter network takes deep feature representations and acts as a substitute for the output layer of the pre-trained DNN in exchange for an agile domain adaptation. Promising results have been achieved following open-set protocols for three different datasets: LFW, IJB-C, and UCCS as well as state-of-the-art performance when supplementary negative data is properly selected to fine-tune the adapter network.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google