面向验证和识别的模板适应

面部识别性能评估传统上主要集中在一对一验证上，这在图像领域的Labeled Faces in the Wild（LFW）数据集和视频领域的YouTubeFaces数据集中得到了广泛的应用。相比之下，新发布的IJB-A面部识别数据集统一了对模板内多个媒体的一对多面部识别与一对一面部验证的评估。本文研究了模板适应问题，这是一种针对模板中媒体集合的迁移学习方法。在IJB-A上的大量性能评估显示了一个令人惊讶的结果：也许是最简单的模板适应方法——将深度卷积网络特征与特定于模板的线性支持向量机（SVM）相结合——显著超越了当前最先进的技术。我们研究了模板大小、负样本集构建和分类器融合对性能的影响，然后将模板适应与度量学习、二维和三维对齐方法进行了比较。我们的意外结论是，当这些其他方法与模板适应结合时，在基于模板的面部验证和识别方面，它们在IJB-A上的表现几乎相同，达到了最高的性能水平。