核心概念
提案手法は、限られた量の対応データを用いて、事前学習済みの顔認識モデルの下位層を領域不変な表現を学習するように微調整することで、より幅広い変動に適応可能なモデルを実現する。
摘要
本研究では、異種顔認証(Heterogeneous Face Recognition: HFR)の課題に取り組むため、教師-生徒型の蒸留学習フレームワークを提案している。
まず、大規模な顔データセットで事前学習された顔認識モデルをティーチャーネットワークとして利用する。次に、ティーチャーネットワークの下位層を微調整して、領域不変な特徴表現を学習するドメイン不変ユニット(Domain-Invariant Units: DIU)を導入する。DIUは、限られた量の対応データを用いて、対照学習と蒸留損失の組み合わせにより効果的に学習される。
提案手法は、事前学習済みモデルをより適応性の高いものに改善する可能性を持っている。複数の課題ベンチマークでの評価実験により、提案手法が最先端手法を上回る性能を示すことが確認された。
統計資料
提案手法のDIUは、事前学習済みモデルの下位24層までを微調整することで最高の性能を発揮した。
蒸留損失と対照学習の重み係数γを0.75に設定したときに最良の結果が得られた。
引述
"提案手法は、事前学習済みモデルをより適応性の高いものに改善する可能性を持っている。"
"複数の課題ベンチマークでの評価実験により、提案手法が最先端手法を上回る性能を示すことが確認された。"