Deep Learning Based Face Recognition Method using Siamese Network

要約

顔認証システムで最先端の結果を達成できるかどうかは、通常、ラベル付きの顔トレーニング データの利用可能性にかかっています。このリソースは、多くの場合、大量に取得することが困難であることが判明しています。
この研究の取り組みでは、顔認識にシャム ネットワークを採用し、ラベル付きの顔画像の必要性を排除することを提案しました。
これは、陰性サンプルと最も近い対応物を戦略的に活用することで達成され、それによって教師なしの方法論を通じて陽性と陰性のペアを確立します。
アーキテクチャ フレームワークには、ダブル ブランチ シャム ネットワークとしてトレーニングされた VGG エンコーダが採用されています。
私たちの主な目的は、ラベル付きの顔画像データの必要性を回避し、完全に教師なしの方法でトレーニング ペアを生成することを提案することです。
正のトレーニング データは、指定されたアンカーとの最も高いコサイン類似度スコアに基づいてデータセット内で選択されます。一方、負のトレーニング データは、代替データセットから抽出されますが、並行して選別されます。
提案されたシャム ネットワークは、トレーニング中にクロスエントロピー損失を介してバイナリ分類を実行します。
その後、テスト段階で、ネットワークの出力層から顔認証スコアを直接抽出します。
実験結果は、提案された教師なしシステムが、同様ではあるが完全に教師ありのベースラインと同等のパフォーマンスを提供することを明らかにしています。

要約(オリジナル)

Achieving state-of-the-art results in face verification systems typically hinges on the availability of labeled face training data, a resource that often proves challenging to acquire in substantial quantities. In this research endeavor, we proposed employing Siamese networks for face recognition, eliminating the need for labeled face images. We achieve this by strategically leveraging negative samples alongside nearest neighbor counterparts, thereby establishing positive and negative pairs through an unsupervised methodology. The architectural framework adopts a VGG encoder, trained as a double branch siamese network. Our primary aim is to circumvent the necessity for labeled face image data, thus proposing the generation of training pairs in an entirely unsupervised manner. Positive training data are selected within a dataset based on their highest cosine similarity scores with a designated anchor, while negative training data are culled in a parallel fashion, though drawn from an alternate dataset. During training, the proposed siamese network conducts binary classification via cross-entropy loss. Subsequently, during the testing phase, we directly extract face verification scores from the network’s output layer. Experimental results reveal that the proposed unsupervised system delivers a performance on par with a similar but fully supervised baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google