DisguiseNet: Ein kontrastiver Ansatz für die Verifizierung getarnter Gesichter in der Wildbahn

Dieses Papier beschreibt unseren Ansatz für die Disguised Faces in the Wild (DFW) 2018 Challenge. Die Aufgabe besteht darin, die Identität einer Person unter getarnten und falschen Bildern zu verifizieren. Angesichts der Bedeutung der Gesichtserkennung ist es entscheidend, Methoden auf einer gemeinsamen Plattform zu vergleichen. Unser Ansatz basiert auf der VGG-Face-Architektur, kombiniert mit einem Kontrastverlust (Contrastive loss), der auf dem Kosinusabstandsmaß (cosine distance metric) beruht. Um den Datensatz zu erweitern, beziehen wir zusätzliche Daten aus dem Internet. Die Experimente zeigen die Effektivität unseres Ansatzes auf den DFW-Daten. Wir demonstrieren, dass das Hinzufügen von zusätzlichen Daten zum DFW-Datensatz, auch wenn diese mit verrauschten Etiketten versehen sind, die Generalisierungsfähigkeit des Netzes verbessert. Das vorgeschlagene Netzwerk erreicht eine absolute Genauigkeitssteigerung von 27,13 % im Vergleich zur DFW-Basislinie.