【深度】申省梅颜水成团队获国际非受限人脸识别竞赛IJB-A冠军，主要负责人熊霖技术分享

开发出精确的和可扩展的无约束人脸识别算法，是生物识别和计算机视觉领域长期以来不断追求的目标。然而，实现这一点难度非常大，因为“无约束”需要人脸识别系统能在各种面部图像采集条件下（不同的光照、不同的传感器，以及是否进行了压缩），或者在被拍摄者各种主观条件下（面部的不同姿态、不同表情以及是否有遮挡），都能成功进行验证与识别。

去年3月，新加坡松下研究院与新加坡国立大学LV组参加了美国国家技术标准局（NIST）主办的非受限条件下人脸识别竞赛IJB-A，之后收到通知，获得了人脸验证（verification）与人脸辨认（identification）的双项冠军。

不过，他们在位居榜首三个月后被一家商业机构超越。但是，团队继续努力，找到差距，弥补不足，最终再次拿到目前已发表文章及arXiv技术报告中的最好性能。

在这样的背景下，新智元对项目负责人新加坡松下研究院的研究工程师熊霖进行了专访，分享技术细节以及参赛经验。

不过，你首先可能会问：IJB-A人脸识别竞赛是怎样的一个比赛？

早在2007年，Huang等人在一篇技术报告[1]提出并发布了后来非常著名的LFW人脸数据集，该数据集确实为后来推动无约束人脸识别算法起到了很大的作用。这个数据集包括在不受控或“自然环境下”采集的被拍摄者的静态图像。

自LFW数据集发布以来，许多类似的人脸数据集被相继发布，比如PubFig[2]和YouTube Faces（YTF）[3]。LFW和PubFig仅包含被拍摄者的静态图像，而YTF人脸数据则包含被拍摄者的一段视频。LFW和YTF等数据发布后，吸引了大量的学术机构和工业界团队去提升算法在这些数据集上的性能。

如今，尤其在LFW数据集上，已经有许多人脸识别算法的性能接近[4][5]甚至超越了人类的水平[6][7]。然而，无约束人脸识别算法的性能在很多实际的应用场景（比如监控系统），仍需亟待提高。究其原因，部分是因为所采用的评估协议没有充分考虑到无约束场景中图像实际采集的需求[8]，但可能更多的原因，来自于数据集，比如LFW和YTF等都不完全是在无约束环境下采集的。

阅读原文