使用伪标签的多任务学习策略:面部识别,面部地标检测和头部姿势估计

科学领域:

• 计算机视觉和机器学习
• 生物识别的人工智能

背景情况:

• 面部分析模型在现实场景中经常失败,原因是学习各种人类特征和背景噪音的局限性.
• 现有的面部标志检测和头部姿势估计的训练数据集经常是有限的和杂的,阻碍了概括.
• 在面部分析模型在标准化测试中的表现与现实应用之间存在很大的差距.

研究的目的:

• 为了弥合标准化和现实世界面部分析测试之间的性能差距.
• 为了提高面部地标检测,头部姿势估计和面部识别的稳定性和准确性.
• 开发一个框架,克服面部分析任务中各种培训数据的局限性.

主要方法:

• 提出了一种伪标签技术,利用多样化的面部识别数据集来增强训练数据.
• 开发了一个综合框架,使用互补的多任务学习来进行强大的特征提取.
• 结合伪标签与多任务学习,以促进对姿势不变特征的学习,以改善面部识别.

主要成果:

• 在AFLW2000-3D和BIWI数据集上实现了最先进的 (SOTA) 或接近SOTA的性能,用于面部地标检测和头部姿势估计.
• 在IJB-C数据集上表现出具有竞争力的面部验证性能.
• 即使在训练数据集中缺乏多样化的面部识别,也表现出稳定的表现,通过新的软,中和硬案例分类来验证.

结论:

• 拟议的伪标签和多任务学习框架显著提高了面部分析在具有挑战性的现实环境中的性能.
• 该方法有效地解决了培训数据集中缺乏数据多样性和噪音问题.
• 综合方法带来了更强大的和可通用的面部分析系统.