TransFace++:重新思考面部识别模式,重点关注准确性,效率和安全性

科学领域:

• 计算机科学,人工智能,机器学习

背景情况:

• 目前的深度学习面部识别 (FR) 模型,通常使用卷积神经网络 (CNN) 与RGB图像,在捕捉全球面部特征,效率和隐私方面面临挑战.
• 美国有线电视频道在全球特征表示和本地特征相关性方面扎,而RGB输入增加了计算成本,如果受到损害,就会带来隐私风险.

研究的目的:

• 提出新的FR框架,TransFace和TransFace++,克服现有的基于CNN的模型的局限性.
• 探索视觉转换器 (ViT) 和原始图像字节的应用,以提高FR效率,安全性和精度.

主要方法:

• TransFace使用ViT与新的数据增强 (主导补丁幅度扰乱 - DPAP) 和硬样本挖掘 (引导硬样本挖掘 - EHSM) 策略,以面部结构信息为特色.
• TransFace++直接处理原始图像字节,将基于拓的图像字节压缩 (TIBC) 纳入特征提取和结构信息引导交叉注意 (SICA) 进行处理,以增强几何信息的感知.

主要成果:

• 通过专门的增强和挖掘技术,TransFace通过解决ViT在大型FR数据集中的局限性来证明性能有所改善.
• 通过对图像字节进行操作,TransFace++实现了更高的推断效率和用户隐私,有效地减轻信息丢失和改善概括性.

结论:

• 拟议的TransFace和TransFace++框架在面部识别技术方面取得了重大进展.
• 与传统的基于CNN的方法相比,这些新的方法提供了更高效,更安全,更精确的FR解决方案,特别是对于大型数据集和对隐私敏感的应用程序.