10.3778/j.issn.1673-9418.2209111
融合注意力机制和课程式学习的人脸识别方法
针对当前人脸识别算法中提取的人脸特征可区分性不强、难易样本区分度不够的问题,提出一种融合注意力机制和课程式学习的人脸识别算法(ECACFace).该算法提出一种高效的空间通道注意力模块(ESCA)并将其融入特征提取网络的基本模块中,使用高效的通道注意力模块(ECA)获取通道关注度并在ECA之后加入空间注意力模块,在关注图像通道信息的基础之上进一步获取空间关注度,从而得到信息更加丰富的人脸特征向量用于人脸分类.同时在训练时引入基于课程式学习的损失函数,做到在训练过程中区分难易样本,并在前期着重训练简单样本,后期着重训练困难样本,实现有区分度的样本学习.在CASIA-WebFace数据集上训练基于轻量级网络和浅层网络的ECACFace,与原始网络相比有超过1.5个百分点的精度提升.在百万规模的MS1MV2数据集上训练基于深层网络的ECACFace,在CPLFW数据集上比ArcFace精度提升了1.14个百分点,实验结果表明,融合ESCA模块和基于课程式学习的损失函数能够进一步提升人脸识别性能.
人脸识别、特征提取、课程式学习、注意力机制
17
TP181(自动化基础理论)
2023-08-15(万方平台首次上网日期,不代表论文的发表时间)
共11页
1893-1903