正交深度特征分解用于年龄不变的人脸识别

由于面部外观会因时间推移而产生显著的类内变化，年龄不变的人脸识别（AIFR）仍然是人脸识别领域的重大挑战。为了减少由衰老引起的类内差异，本文提出了一种新颖的方法（即正交嵌入卷积神经网络，简称OE-CNNs），用于学习年龄不变的深度人脸特征。具体而言，我们将深度人脸特征分解为两个正交分量，分别表示与年龄相关和身份相关的特征。因此，对衰老具有鲁棒性的身份相关特征被用于AIFR。此外，为了补充现有的跨年龄数据集并推动该领域研究的发展，我们构建了一个全新的大规模跨年龄人脸数据集（CAF）。在三个公开的人脸老化数据集（MORPH Album 2、CACD-VS和FG-NET）上进行的大量实验表明了所提方法的有效性和构建的CAF数据集在AIFR中的价值。在最流行的通用人脸识别（GFR）数据集LFW上的基准测试进一步证明了我们的算法在GFR方面具有相当的泛化性能。