Deep Learning Based Face Recognition Method using Siamese Network

在人脸验证系统中取得最先进的结果通常取决于标记的人脸训练数据的可用性，这是一种往往难以获得大量的资源。在这项研究中，我们提出了使用连体网络进行人脸识别，消除了标记人脸图像的需求。我们通过策略性地利用负样本和最近邻居来实现这一点，从而通过无监督的方法建立正负对。该架构框架采用VGG编码器，作为双分支连体网络进行训练。我们的主要目的是避免需要标记的人脸图像数据，因此提出了完全无监督的方式生成训练对。根据与指定锚点的最高余弦相似度分数，在数据集中选择正训练数据，而负训练数据则以类似的方式从另一个数据集中选择。在训练过程中，所提出的连体网络通过交叉熵损失进行二元分类。随后，在测试阶段，我们直接从网络的输出层提取人脸验证分数。实验结果表明，所提出的无监督系统的性能与类似但完全受监督的基线相当。

解决问题：如何在没有标注人脸图像的情况下进行人脸识别？

关键思路：通过Siamese网络实现无监督学习，利用最近邻和负样本对进行人脸识别。

亮点：论文提出了一种无监督学习的方法，避免了需要大量标注数据的问题；实验结果表明，该方法的表现与监督学习的基准方法相当。

相关研究：最近的相关研究包括使用GAN生成人脸图像的方法和使用元学习进行人脸识别的方法。