2000字范文,分享全网优秀范文,学习好帮手!
2000字范文 > 【竞赛总结】CCF多人种人脸识别

【竞赛总结】CCF多人种人脸识别

时间:2019-10-27 01:12:38

相关推荐

【竞赛总结】CCF多人种人脸识别

题目:多人种人脸识别

类型:人脸识别

/competitions/348

赛题背景

人脸识别已经在生活中快速的普及开来, 但是人脸识别技术在实际应用中遇到的一个广为人知的问题是它在不同人种的性能有差异。如何快速的提升人脸识别系统在不同人种的性能, 是一个实用的人脸识别算法应该考虑的问题。

赛题任务

本次比赛目标是提高人脸识别模型在不同人种上面的性能。以人脸1:1 比对为场景, 参赛队需要同时优化人脸识别模型在不同人种上的性能,提高在低误识率情况下不同人种的通过率。

评分标准

根据提交结果画出不同人种的 ROC 曲线, 然后按照FAR=1e-2, 1e-3 和 1e-4 时候对应的不同人种TAR的平均值进行结果排名。

天才儿童团队

我们搭建了一套面向实际场景的人脸识别方案。首先提出了适合人脸图像的数据增强方法,构建了有监督与无监督模型结合的人脸识别模型,并搭建了一种推理模型。团队本次复赛A榜0.6582, B榜0.6583,均为线上第一。

数据集分布

人脸识别分为4个过程:人脸检测、人脸对齐、特征提取、特征匹配。数据集已经进行了人脸检测和人脸对齐,我们只需要专注于特征提取和特征匹配。

训练集给出的4个人种图片中,按数量多少顺序分别为白种人、印度人、亚洲人、非洲人,其中白种人图片数量相对其他人种非常多。

数据处理

图像预处理的主要目的是改善图像的视觉效果,增强图像中的有用信息,抑制图像中的背景噪声。

图像增强方法主要有:水平翻转,旋转,色度变化,锐度变化,对比度变化,直方图均衡化,拉普拉斯图像增强等。

为了有效评价增强图像的效果,根据各指标的意义和图像通用评价方法,设计了图像增强的验证方法,最终得到一种适合于人脸的图像增强方法。

技术路线

现有的人脸识测试过程,通常是提取人脸特征向量,再通过向量距离比如余弦相似度进行对比,而非直接通过网络推理得到标签。

特征提取作为人脸识别最关键的步骤,已经有了很多成熟的网络模型。接下来我们主要从神经网络的损失函数,骨干网络2个角度进行分析.

有监督模型:ArcFace、Focal Loss

无监督模型:CDP半监督人脸样本聚类

模型融合:线性加权3个模型

爱小童团队

我们针对人种偏差客观存在的问题,在数据和算法方面提出采用基于参考人脸图的分水岭算法,和针对多人种问题的多模型融合算法。

参考人脸图

参考人脸图(Reference Face Graph)是以参考人脸(Reference Face, RF)做为节点,参考人脸相似度为边权重的网络图。每个参考人脸包含多张姿态、表情、光照不同的图像,这些图像具有较高的直接相似度,它们构成的集合称为参考基础集合。

为方便集合划分,先对数据集中任意两张图像计算人脸相似度,形成邻接矩阵。相似度为两张人脸图像特征向量的余弦相似度。

参考基础集合的划分采用分水岭算法实现。分水岭算法是图像切割常用的方法之一,它基本思想是把图像看作是测地学上的拓扑地貌。迁移到图模型上,将图像相似度作为海拔高度,将联通区域作为参考集合。

多人种模型融合

我们进行迁移学习,训练出针对各个人种的多人种人脸识别模型。从而能够实现多人种模型融合。我们选择五个模型融合。我们选择五个模型融合,采用一个模型作为主模型,设定多模型投票取最小值策略。

闪闪红星闪闪团队

在比赛中,我们尝试了许多的人脸识别模型resnet101、insightfacel2k、switchable norm resnet、mobilefacenet和cosface,采用不同的损失函数,比如:focal loss、soft max loss和triplet loss。

数据增强

由于数据有限,我们使用多种手段在模型训练时和人脸特征提取时进行数据增强。

人脸对齐

数据增强

归一化

模型融合

我们总共使用三个模型进行融合,进行两两迭代融合。

中科大多模态交互团队

在模型训练阶段基于insightface框架,更换了不同的backbone来进行训练,得到了三个性能各异的模型。

在测试阶段分别使用单个模型对测试集进行依存,然后对多个模型的结果进行平均。

龙盈智达-天龙战队团队

我们首先拿到图像数据,确定该任务为人脸识别的识别部分,按照人险识别一般流程检测、纠正、特征提取、人脸比对识别流程。

在此基础上我们按照不同图像色阶直方图抽取一定比例,使用Insightface 进行 inference识别测试。

我们使用平移、翻转、色彩抖动、尺度变换数据增强方法在同样的数远集上进行。在模型方面首先我们按照控制变量法,数据集与优化方法,我们对模型采用比赛公开的数起集,在预训练模型训练后测试,获得线上评分和模型微调之后进行对比,确定模型优化方法是否采用迁移学习。

往期精彩回顾适合初学者入门人工智能的路线及资料下载中国大学慕课《机器学习》(黄海广主讲)机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑AI基础下载本站qq群955171419,加入微信群请扫码:

本内容不代表本网观点和政治立场,如有侵犯你的权益请联系我们处理。
网友评论
网友评论仅供其表达个人看法,并不表明网站立场。