BioMetricNet是一种新型的人脸识别算法，不指定人脸特征之间的关系，什么是BioMetricNet？

图片识别 04/09/2020

三个要点
✔️ 提出了一种新的算法"BioMetricNet"，不需要预设欧几里得和角度距离等特征之间的关系。
✔️ 取而代之的是，匹配和非匹配被训练成遵循每个预定的分布。
✔️ 据报道，其准确率始终高于在人脸识别中实现高精度的方法（CosFace、ArcFace、SphereFace）。

The Effect of Wearing a Mask on Face Recognition Performance: an Exploratory Study
written by Arslan Ali, Matteo Testa, Tiziano Bianchi, Enrico Magli
(Submitted on 13 Aug 2020)
Comments: Accepted at ECCV2020
Subjects: Computer Vision and Pattern Recognition (cs.CV); Machine Learning (cs.LG)

面部识别算法的历史

在过去的五年多时间里，深度学习在各个领域都取得了长足的进步。特别是卷积神经网络（CNN）在图像识别领域做出了重大贡献。我们这里介绍的人脸识别就是其中之一。
在本次人脸识别中，通过使用Facebook等报道的DeepFace和DeepID等CNN训练的特征，在2014/2015年提高了人脸识别的准确性。这些模型采用距离，如L2规范，作为区分面部特征的度量来识别人脸。如果特征之间的距离低于阈值，则将两张脸划分为属于同一个人，否则划分为属于不同的人。

Softmaxcross-entropy常被用作计算特征的损失函数。事实证明，最大限度地提高类之间的方差和最大限度地降低类内的方差可以提高辨别能力。

后来，在2015年，谷歌报告FaceNet。通过引入一个名为Triplet Loss的损失函数，它是一种以相对值而非绝对值来评估特征之间距离的方法。在这个模型中，我们引入了Anchor作为识别的标准和锚和它学习将相似度高的Positive的距离最小化，将相似度低的Negative的距离最大化。

然而，虽然它们可以进行有效的培训，但往往比较复杂。随后，人们提出了一种新的算法，即使用角度代替基于距离的算法，如L2规范。

2017年前后，一个名为Sphereface的模型被报道出来，并提出了一种通过使用角度距离来增加负面特征之间的余量来减少False Positives的方法。

我们目前所提到的算法使用预定义的度量（距离/角度）来映射两个特征在空间中的关系，并设计和训练损失函数，使相似度高的特征之间的距离最小化，同时使相似度低的特征之间的距离最大化。在模型的设计中，选择使用哪种指标很重要。在上述模型中，我们发现使用角距离而不是欧几里得距离可以显著提高模型的性能。现在，Arcface和Cosface的模型以其高精度而闻名。在本文中，我们提出了这些不同的方法。它们并不像上述算法那样预先定义特征间映射的度量。我们在本文中唯一先验定义的是，我们希望模型的输出值如何根据特征是匹配的还是非匹配的对来表现。具体来说，它将模型的输出值归一化，使其遵循匹配和非匹配对的两种不同统计分布。换句话说，它不仅学习辨别力高的特征，还同时学习映射指数，使相似度高的匹配对被映射到一个分布，相似度低的非匹配对被映射到另一个分布。

通过BioMetricNet，我们在这里提出的方法，输出值的分布是已知的，我们可以很容易地调整阈值，使模型的FAR（误接受率）和TAR（真接受率）达到理想状态。它还显示出比传统模型更高的准确性，即使是对于非常困难的数据集，如下文所述。虽然本文将BioMetricNet应用于面部识别，但论文指出该方法是通用的，也可以应用于其他生物识别信息和数据类型。