摘要
本文描述了我们参加2018年“野外伪装人脸”（Disguised Faces in the Wild, DFW）挑战赛的方法。该任务的目标是在伪装和冒充者的图像中验证一个人的身份。鉴于人脸识别任务的重要性，有必要在一个共同的平台上对不同方法进行比较。我们的方法基于VGG-face架构，并采用了基于余弦距离度量的对比损失函数（Contrastive loss）。为了扩充数据集，我们从互联网上获取了更多的数据。实验结果表明，该方法在DFW数据上的有效性。我们还发现，向DFW数据集中添加带有噪声标签的额外数据有助于提高网络的泛化性能。所提出的网络在DFW基线模型的基础上实现了27.13%的绝对精度提升。