DisguiseNet : Une approche contrastive pour la vérification des visages déguisés dans le monde réel

Ce document décrit notre approche pour le défi Disguised Faces in the Wild (DFW) 2018. La tâche consiste à vérifier l'identité d'une personne parmi des images de visages déguisés et d'imposteurs. Étant donné l'importance de la tâche de vérification faciale, il est essentiel de comparer les méthodes sur une plateforme commune. Notre approche repose sur l'architecture VGG-face associée à une perte contrastive basée sur la métrique de distance cosinus. Pour augmenter l'ensemble de données, nous avons recours à des données supplémentaires provenant d'internet. Les expériences montrent l'efficacité de cette approche sur les données DFW. Nous démontrons que l'ajout de données supplémentaires au jeu de données DFW, même avec des étiquettes bruyantes, contribue également à améliorer les performances de généralisation du réseau. Le réseau proposé atteint une augmentation absolue de 27,13 % en termes de précision par rapport à la ligne de base DFW.