香港中文大学助理教授吕健勤：面向人脸分析的深度学习方法（WSB2018报告，附PPT）

导读

2018年生物特征识别冬令营（IAPR/IEEE Winter School on Biometrics 2018）由IAPR和IEEE冠名和赞助，于2018年1月29日至2月2日在深圳举办，由香港浸会大学计算机科学系、中科院自动化所和深圳大学计算机与软件学院联合主办。本文按香港中文大学助理教授吕健勤在生物特征识别冬令营（WSB2018）的报告《Deep Learning in Face Analysis》进行整理，经《生物特征识别冬令营》授权发布。

讲者简介

吕健勤博士是香港中文大学的助理教授，同时是中科院深圳先进研究院的访问学者。

正文

第四场由香港中文大学的Chen-change Loy教授为大家带来深度学习在人脸分析方面的工作。教授首先介绍了深度学习在人脸识别领域的应用，比如商汤科技在地铁里的人脸识别程序。同时介绍了深度学习网络在1：1和1：N方面的发展。指出了人脸识别过程中正脸和侧脸带来的一些问题以及解决问题的方法。例如，3D人脸对齐，或者使用侧脸通过GAN生成正脸。而教授提出了DREAM block方法，是在特征空间把侧脸特征加上一个残差，使得它映射到正脸的特征空间。该方法很好了解决了正脸和侧脸的映射问题，且实现简单方便。

在人脸检测方面，教授向我们展示了他们收集的世界上最大的人脸检测数据库

在人脸检测方面，教授向我们展示了他们收集的世界上最大的人脸检测数据库WIDER FACE，该数据库标签丰富，更具有挑战性。同时指出了不同尺寸的人脸造成的检测难题，以及解决的方法。例如，可以用多个网络为不同同一张图片中不同尺寸的人脸分别进行检测，最后将所有检测到的人脸整合在一起；也可以用Faster R-CNN或者ScaleFace进行检测。ScaleFace是在同一个网络中不同的层分别对不同尺寸的人脸进行检测，最后将结果融合。

在人脸属性识别方面。香港中文大学的CelebA数据库有着丰富的属性标签，但不同属性之间的数据不是很均匀。Loy教授提出了Large Margin Local Embedding的方法，使得大类和小类区分开的同时又将里面不同的属性聚到不同的簇。