摘要
面部识别由于深度学习的出现而取得了显著的成功。然而，许多现代面部识别模型在处理侧面脸时的表现仍然相对逊色于正面脸。一个关键原因是正面和侧面训练样本的数量极不平衡——正面训练样本的数量远远多于侧面训练样本。此外，从几何上对大姿态变化具有不变性的深度表示学习本身也十分困难。在这项研究中，我们假设正面脸和侧面脸之间存在一种内在映射关系，因此可以通过等变映射来弥合它们在深度表示空间中的差异。为了利用这种映射关系，我们提出了一种新颖的深度残差等变映射（Deep Residual EquivAriant Mapping, DREAM）模块，该模块能够自适应地向输入的深度表示添加残差，从而将侧面脸的表示转换为简化识别的标准姿态。DREAM模块在多种强大的深度网络中（包括ResNet模型）一致地提升了侧面脸识别的性能，而无需特意增加侧面脸的训练数据。该模块易于使用、轻量级，并且可以以几乎可以忽略的计算开销实现。