人脸识别精度提升 | 基于Transformer的人脸识别（附源码）

计算机视觉研究院专栏

作者：Edison_G

现阶段的人脸检测识别技术已经特别成熟，不管在什么领域都有特别成熟的应用，比如：无人超市、车站检测、犯人抓捕以及行迹追踪等应用。但是，大多数应用都是基于大量数据的基础，成本还是非常昂贵。所以人脸识别的精度还是需要进一步提升，那就要继续优化更好的人脸识别框架。

论文：https://arxiv.org/pdf/2103.14803.pdf

一、技术回顾——Transformer

相比于卷积，Transformer有什么区别，优势在哪？

1. 卷积有很强的归纳偏见（例如局部连接性和平移不变性），虽然对于一些比较小的训练集来说，这毫无疑问是有效的，但是当我们有了非常充足的数据集时，这些会限制模型的表达能力。与CNN相比，Transformer的归纳偏见更少，这使得他们能够表达的范围更广，从而更加适用于非常大的数据集；
2. 卷积核是专门设计用来捕捉局部的时空信息，它们不能够对感受野之外的依赖性进行建模。虽然将卷积进行堆叠，加深网络会扩大感受野，但是这些策略通过聚集很短范围内的信息的方式，仍然会限制长期以来的建模。与之相反，自注意力机制通过直接比较在所有时空位置上的特征，可以被用来捕捉局部和全局的长范围内的依赖；
3. 当应用于高清的长视频时，训练深度CNN网络非常耗费计算资源。目前有研究发现，在静止图像的领域中，Transformer训练和推导要比CNN更快。使得能够使用相同的计算资源来训练拟合能力更强的网络。

二、简要

最近，人们不仅对Transformer的NLP，而且对计算机视觉也越来越感兴趣。我们想知道Transformer是否可以用于人脸识别，以及它是否比cnns更好。

因此，有研究者研究了Transformer模型在人脸识别中的性能。考虑到原始Transformer可能忽略inter-patch信息，研究者修改了patch生成过程，使相互重叠的滑动块成为标识。这些模型在CASIA-WebFace和MSSeleb-1M数据库上进行训练，并在几个主流基准上进行评估，包括LFW、SLLFW、CALFW、CPLFW、TALFW、CFP-FP、AGEDB和IJB-C数据库。研究者证明了在大规模数据库MS-Celeb-1M上训练的人脸Transformer模型实现了与CNN具有参数和MACs相似数量的CNN相似的性能。

二、FACE TRANSFORMER

2.1 网络框架爱

人脸Transformer模型采用ViT[A. Dosovitskiy, L. Beyer, A. Kolesnikov, D. Weissenborn, X. Zhai, T. Unterthiner, M. Dehghani, M. Minderer, G. Heigold, S. Gelly et al., “An image is worth 16x16 words: Transformers for image recognition at scale,” arXiv preprint arXiv:2010.11929]体系结构，采用原Transformer。唯一的区别是，研究者修改了ViT的标记生成方法，以生成具有滑动块的标记，即使图像块重叠，以便更好地描述块间信息，如下图所示。

具体地说，从图像?中提取滑动块，块大小为?和步幅?（输入两侧隐式为零），最后得到一系列扁平的二维块??。（?，?）是原始图像的分辨率，而（?，?）是每个图像块的分辨率。

正如ViT所做的那样，可训练的线性投影将扁平块??映射到model dimension D，并输出块嵌入???。类标记，即一个可学习的嵌入（??????=?)连接到块嵌入上，它在Transformer编码器(?）输出处的状态是最终的人脸图像嵌入，如下方程式。

然后，将位置嵌入添加到块嵌入中，以保留位置信息。

Transformer的关键模块MSA由?并行自检（self-attention，SA）组成：

MSA的输出是?注意头输出的连接

2.2 Loss Function

基于Softmax的损失函数消除了偏置项，并转换了??=?cos??，并在cos???项，[ J. Deng, J. Guo, N. Xue, and S. Zafeiriou, “Arcface: Additive angular margin loss for deep face recognition,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition]中加入了large margin。因此，基于Softmax的损失函数可以表示为：

[9] H. Wang, Y. Wang, Z. Zhou, X. Ji, D. Gong, J. Zhou, Z. Li, and W. Liu, “Cosface: Large margin cosine loss for deep face recognition,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition

三、实验及可视化

对于ViT模型，层数是20个，头数是8个，hidden大小为512，MLP大小为2048。从T2T-ViT模型中一部分——Token-to-Token，深度为2，hidden为64，MLP大小为512；而对于主干网络，层数是24，头数为8，hidden大小为512，MLP大小是2048。请注意，“ViT-P10S8”代表ViT模型具有10×10patch尺寸，步幅?=8和“ViT-P8S8”表示标记之间没有重叠。

在Attention Rollout技术的帮助下，研究者分析了Transformer模型(MS-Celeb-1M，ViT-P12S8)如何专注于人脸图像，并发现人脸Transformer模型如何像预期的那样关注人脸区域。

（1）不同层次的注意矩阵的可视化。（2）是指基于头部和网络深度的参与区域的注意距离。

随着遮挡面积的增加，人脸Transformer模型和ResNet100的识别性能得到了提高。