2017年以來,各大手機廠商將人臉識別推廣到了大眾消費者的視野之下,這項技術(shù)一時間風生水起。隨著近年來大數(shù)據(jù)和深度學習等相關(guān)技術(shù)的發(fā)展,人臉識別效果有了突飛猛進的提高,在身份認證、視頻監(jiān)控、美顏娛樂等場景應(yīng)用也愈加廣泛。

而人臉識別中的人證比對,由于其應(yīng)用的普適性和實用性,正得到越來越多的關(guān)注。但由于人證比對問題的特殊性,其他場景下工作良好的人臉識別模型在該場景中往往準確率急劇下降。究其原因,主要有以下兩方面的挑戰(zhàn):

一方面,與學術(shù)界關(guān)注的標準數(shù)據(jù)庫中人臉分類不同,人證比對模型訓練過程中證件照與生活照數(shù)量嚴重失衡。證件照在公開場景一般較為稀缺,而手工收集大量匹配的生活照和證件照成本較高。如何在失衡數(shù)據(jù)集中應(yīng)用已有深度學習方法成為了核心問題之一。

另一方面,生活照與證件照拍攝場景具有顯著差異。由于獲取渠道的問題,證件照往往面臨有損壓縮過程帶來的嚴重質(zhì)量下降。此外生活照的角度、陽光、不同表情等因素也會影響生活照與標準證件照的比對效果。

針對上述問題,遠鑒科技創(chuàng)新性地提出了一種針對于人證比對場景的人臉識別方案,可以在訓練數(shù)據(jù)中證件照數(shù)目較少的情況下,較大幅度地提高人臉識別引擎對生活照與證件照的比對能力。

人臉識別算法中,訓練模型的損失函數(shù)選取至關(guān)重要。早期工作中,研究者直接選用泛用的Softmax loss作為優(yōu)化目標來處理人臉分類問題。在后續(xù)工作中,研究者發(fā)現(xiàn)基于角度空間的損失函數(shù)相對于歐氏距離,可以使訓練過程的相似度度量和測試時保持一致,具有更加良好的可解釋性,提出了CosFace、ArcFace等方法,進一步加強了分類損失函數(shù)的約束效果,在公開人臉生活照數(shù)據(jù)集中取得了良好的成績。

在上述研究基礎(chǔ)上,遠鑒科技針對人證比對的這一特定應(yīng)用場景,于損失函數(shù)層次對生活照和證件照進一步區(qū)分,改進了目前損失函數(shù)的構(gòu)成,構(gòu)造出了一種更適合人證比對場景的損失函數(shù)。

在模型訓練過程中,神經(jīng)網(wǎng)絡(luò)模型可以分為特征網(wǎng)絡(luò)和分類網(wǎng)絡(luò)兩部分。特征網(wǎng)絡(luò)用于將輸入的人臉圖像轉(zhuǎn)化為固定長度的特征描述,而分類網(wǎng)絡(luò)用于判斷該特征屬于哪個訓練人臉類別。遠鑒科技將特征網(wǎng)絡(luò)的權(quán)重在每個訓練周期中通過梯度下降法進行更新,而分類網(wǎng)絡(luò)的權(quán)重不通過梯度下降法進行更新,而是直接由本周期中相應(yīng)類別的證件照歸一化特征進行替換。通過這樣的方法,我們可以讓特征網(wǎng)絡(luò)更容易學習到同身份在生活照和證件照這樣不同場景下圖像的內(nèi)在關(guān)聯(lián)信息,同時更加關(guān)注同場景不同身份的差異信息。從而在不經(jīng)過大規(guī)模證件照訓練的情況下,進一步提升模型在人證比對任務(wù)中的性能。

在大規(guī)模人證比對數(shù)據(jù)集上進行了實驗后,遠鑒科技將本發(fā)明方法與業(yè)界領(lǐng)先的人臉識別方法NormFace、CosFace比較,結(jié)果有了大幅度的性能提升:千分之一誤報率時,遠鑒科技發(fā)明的方法的正確通過率分別提升了9.2%和12.2%;在萬分之一誤報率時,正確通過率分別提升了5.6%和11.3%。甚至在傳統(tǒng)生活照比對場景上,該方法性能也有了令人欣喜的提升。

現(xiàn)實生活中的很多場景都會應(yīng)用到人證比對,一個高準確率的實時自動人證比對系統(tǒng)可以大幅度提升用戶體驗度,并應(yīng)用于更廣泛的場景。立足技術(shù),扎根場景,拓寬應(yīng)用。遠鑒科技將會繼續(xù)利用自身的技術(shù)優(yōu)勢,驅(qū)動整個AI研究更快發(fā)展和落地。