Adaptation de modèles pour la vérification et l'identification faciales

L'évaluation des performances de la reconnaissance faciale s'est traditionnellement concentrée sur la vérification un-à-un, popularisée par le jeu de données Labeled Faces in the Wild pour les images et le jeu de données YouTubeFaces pour les vidéos. En revanche, le nouveau jeu de données IJB-A (Image and Video-Based Face Recognition) unifie l'évaluation de l'identification faciale un-à-plusieurs avec la vérification faciale un-à-un sur des modèles, ou ensembles d'images et de vidéos pour un sujet. Dans cet article, nous étudions le problème de l'adaptation des modèles, une forme d'apprentissage par transfert appliquée à l'ensemble des médias dans un modèle. Des évaluations approfondies sur IJB-A montrent un résultat surprenant : la méthode peut-être la plus simple d'adaptation des modèles, qui consiste à combiner les caractéristiques issues des réseaux convolutifs profonds avec des SVM linéaires spécifiques aux modèles, surpassent largement l'état de l'art. Nous analysons les effets de la taille du modèle, de la construction de l'ensemble négatif et de la fusion des classifieurs sur les performances, puis nous comparons l'adaptation des modèles aux réseaux convolutifs avec l'apprentissage métrique, ainsi qu'à l'alignement 2D et 3D. Notre conclusion inattendue est que ces autres méthodes, lorsqu'elles sont combinées avec l'adaptation des modèles, atteignent toutes presque les mêmes performances maximales sur IJB-A pour la vérification et l'identification faciales basées sur les modèles.