读From Face Recognition to KV:An Adaptation Approach论文

一篇ICCV2017关于亲属识别的文章，从人脸识别的方法自然过渡到亲属识别的问题上，提出一种适应性的方法。

目前人脸识别的算法精度已经很高（eg:LFW），做法也很成熟，原因在于人脸识别的图片数据很充足，可以训练层数很深的卷积神经网络以提取含有丰富语义信息的人脸特征用于识别。而目前在亲属识别这个问题上没有很深的神经网络用来解决这个问题，导致一些人工或浅层提取的特征表达的信息不足够判断两个图像之间的亲属关系。由于这两个问题很相似但不同，我们自然的可以想到如何从现有的成熟的人脸识别的算法过渡到我们特定的亲属识别这个问题上，因此此论文提出了一种Coarse-to-Fine Transfer(CFW）的网络框架用以解决此类问题。

网络结构：

coarse CNN:

主要思想：迁移学习，pre-train，利用一个基于数据量很大的人脸图片（CASIA WebFace,约50万张图片）训练好的人脸识别（1万多个类）的深度卷积神经网络提取通用（generalized）的人脸特征。

fine CNN:

主要思想：NRML,re-train，利用一个数据量小的亲属识别图像数据库（约3000张图片，1000多个类）获取特定(specific)的亲属图像特征。

根据fCNN两种不同的训练方式，CFT分为两种：

1. CFT:通过训练全连接层的fCNN获取高阶特征，前面的全连接层不动。

2. CFT*:通过训练卷积层和全连接层的fCNN获取低阶和高阶特征。
   

参数设置：

整个网络接收64*64的图片，通过CFT产生一个具有很强的亲属判别性的512维的向量用于验证。

实验结果：

验证了四个常用的亲属识别公开数据集：

加fcnn结果对比：