SeqFace: الاستفادة الكاملة من معلومات التسلسل للتعرف على الوجه

الشبكات العصبية التلافيفية العميقة (CNNs) قد أحدثت تحسينات كبيرة في أداء التعرف على الوجه (FR) في السنوات الأخيرة. يتم تدريب几乎所有在FR中的CNN都是在包含大量身份的精心标注的数据集上进行的。然而，这种高质量的数据集收集成本非常高，这限制了许多研究人员达到最先进的性能。在本文中，我们提出了一种称为SeqFace的框架，用于学习区分性的面部特征。除了传统的身份训练数据集外，设计的SeqFace还可以通过使用从视频中收集的包含大量面部序列的附加数据集来训练CNNs。此外，通过充分利用序列数据，采用了标签平滑正则化 (LSR) 和新提出的区分性序列代理 (DSA) 损失来增强深度面部特征的区分能力。我们的方法仅使用单个ResNet就在Labeled Faces in the Wild (LFW) و YouTube Faces (YTF) 上取得了优异的表现。代码和模型在线公开可用（https://github.com/huangyangyu/SeqFace）。修正后的翻译：الشبكات العصبية التلافيفية العميقة (CNNs) قد أحدثت تحسينات كبيرة في أداء التعرف على الوجه (FR) في السنوات الأخيرة. يتم تدريب معظم الشبكات العصبية التلافيفية العميقة في مجال التعرف على الوجه على مجموعات بيانات تم تصنيفها بدقة تحتوي على العديد من الهويات. ومع ذلك، فإن جمع مثل هذه المجموعات عالية الجودة باهظ الثمن، مما يحد من قدرة العديد من الباحثين على تحقيق أفضل الأداء. في هذا البحث، نقترح إطارًا جديدًا يُسمى SeqFace لتعلم الخصائص المميزة للوجوه. بالإضافة إلى مجموعة البيانات التقليدية للتدريب على الهويات، يمكن لـ SeqFace استخدام مجموعة بيانات إضافية تحتوي على عدد كبير من سلاسل الوجوه التي تم جمعها من مقاطع الفيديو. علاوة على ذلك، يتم استخدام تقنية تنظيم تسوية الملصقات (LSR) وخسارة الوكيل التتابعي المميز الجديد المقترح (DSA) لتعزيز قدرة الخصائص العميقة للوجوه على التمييز عن طريق الاستفادة الكاملة من بيانات السلاسل. حققت طريقتنا أداءً ممتازًا في Labeled Faces in the Wild (LFW) و YouTube Faces (YTF)، باستخدام شبكة ResNet واحدة فقط. الرمز والموديلات متاحة بشكل عام عبر الإنترنت (https://github.com/huangyangyu/SeqFace).