FaceNet迁移学习拿下97.4%准确率，部分人脸识别刷新SoF数据集最高纪录！
A Comparative Transfer-Learning Study of CNN Backbones for Partial Face Recognition on the SoF Dataset
📖 AI 总结
本文针对部分人脸识别（PFR）在遮挡、前景干扰或画面边缘截断等条件下准确率显著下降的问题，在Specs-on-Faces（SoF）数据集上开展了一项迁移学习对比研究。作者在统一的数据预处理、数据划分与优化协议下，对ResNet-50、VGG-16和FaceNet三种预训练卷积骨干网络进行微调，均采用160×160输入、冻结骨干加可训练分类头，并在固定训练轮数下不进行逐骨干超参数搜索。结果显示，基于FaceNet的配置（记为PFN，Partial FaceNet）明显优于另外两者，在112个身份类别上取得97.4%的测试准确率，宏平均精确率87.04%、召回率84.61%、F1值84.17%，为SoF数据集上已报告的最高准确率与召回率。该工作为遮挡场景下的人脸识别骨干选型提供了可复现的基准参考。
🔑 关键词速览
| 部分人脸识别 (PFR) | 指在人脸被遮挡或仅部分可见的情况下进行身份识别的任务。 |
| 迁移学习 | 一种机器学习方法，将在大规模数据集上预训练的模型知识迁移到新任务上，以提升小数据集的性能。 |
| CNN骨干网络 | 卷积神经网络中用于提取图像特征的主干部分，如ResNet、VGG等。 |
| SoF数据集 | Specs-on-Faces数据集，专门用于研究戴眼镜等人脸遮挡情况下的部分人脸识别。 |
| PFN (Partial FaceNet) | 本文提出的基于FaceNet微调的部分人脸识别模型配置。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅