1.DocFace+
论文链接
概要
应用：高精度的人证对比系统
将现场拍摄的人脸照片和系统内的存档照片或现场扫描身份证上的照片作对比，看是不是同一身份。
几个要点：
- 首先展示了基于梯度的优化方法在类别数量多、样本数量不足的时候，收敛速度缓慢；
- 为了克服上述问题，提出一种新的优化方法——动态权值印记DWI(dynamic weight imprinting )，更新分类器权重，特征表示更加泛化；
- 一个新的识别系统——训练了一对共享参数的兄弟网络，来学习特征表达；
- 对ID-selfie数据集，SphereFace只有59.29±1.55%的TAR，而DocFace+能提升到97.51±0.40%。
解释TAR：人脸识别的常用指标，正确接受的比例，实际同一身份的两张图像被识别成同一身份的比例。
分数即两张图像的特征相似度，>T被认为是同一身份，越大越好；相反地，FAR表示实际不同身份，被识别成不同身份的比例
<T被认为是不同身份，越小越好。
相关工作
1）人证比对
（1）更大的数据集（超过50000对），
（2）不同的损失函数，称为DIAM-Softmax，用来学习人脸表示，
（3）更加全面的实验，用来分析每个模块的作用
（4）评估我们的系统和已有的其他的系统的性能。
2）深度人脸识别
自从深度学习应用到人脸识别中，对人脸识别的能力提升了很多，最常用的方法是使用softmax进行分类的训练。考虑到softmax的loss只是让类间的差别变大，并没有使类内的差别变得内聚。后来提出了度量学习的方法，如对比损失和triplet的损失，提升了在LFW上的表现。后面又提出了度量学习和分类损失的结合的方法，叫做A-Softmax。后来又提出了AM-Softmax，将margin引入到了角度的度量中，比A-Softmax更加鲁棒。
3）异构人脸识别
异构人脸识别指的是来自不同形态的人脸识别，比如可见光图像，近红外图像，热红外图像，草图等等。人证比对可以看做是一种特殊的异构人脸比对，两种图像来自于不同的领域。通常异构图像的人脸比对的方法分为两种：基于生成图像的方法和基于可分特征的方法。基于生成图像的方法是指将一种图像转换成另一种，然后使用通用的人脸比对方法。基于可分特征的方法是指将来自于两种不同领域的图像，映射到同一个共享的特征空间中。
4 Low-shot（小样本学习）
另外一个相关的领域叫做小样本学习问题。在小样本学习中，模型训练之后可以泛化使用在没有见过的只有很少的几个样本的类别中。小样本学习有两个步骤：首先在大的分类数据集上学习，在测试的时候，将新的类别的少量标注样本放到模型中训练一个新的分类器。小样本学习的意思是每个类别中只有很少的图片。在人证比对的数据集中，每个人也只有很少的图片。[3]提出了一种imprint the weight的方法，我们注意到他们的方法和我们的差别在于他们利用imprinted权重作为初始化参数，而我们使用参数的imprint来进行参数更新。
数据集
本节我们简单介绍一下我们使用到的数据集。如下图：
3.1 MS-Celeb-1M
这个数据集是公开的，包括8,456,240张图片，99,892个不同的人，大部分从网上下载，在我们的迁移学习框架中，这个数据集作为源领域，用来训练深度网络的丰富的浅层特征。然而，这个数据集有很多的噪声，我们使用的是清理过的数据集，共有5,041,527张图像，98,687个人。
3.2 Private ID-selfie
这是个私有的数据集，包含了116914张图像，53591个人。每个人只有一张身份证照片。其中53054个人只有一张自拍照，另外的537个人有多张自拍照。身份证照是从身份证的芯片中读出来的。在实验中，我们构建了5折交叉验证数据集来评估我们的方法中不同部分的效果。
3.3 Public IvS
这是个公开的数据集，用来评估人证比对的能力。数据包括1262个人，5503张图片，每个人有1张身份证照片，1~10张自拍照。这个并不是标准的人证比对，因为身份证照并不是来自实际的身份证，而是类似的证件照。
方法
首先在MS-Celeb 1M训练基础模型，使用流行的Face-ResNet结构、AM-Softmax损失，迁移到目标模型，然后，我们提出了新的优化方法DWI，来更新权值，训练了一对姐妹网络，共享高层的参数。