科研之友
微信
新浪微博
Facebook
分享链接
摘要
目前大多数人脸识别方法依赖于卷积神经网络，通过级联的形式构建多层处理单元，利用卷积操作融合局部特征，忽略了人脸全局语义信息，缺乏对人脸重点区域的关注度。针对上述问题，提出一种基于改进视觉Transformer的人脸识别方法，引入Shuffle Transformer作为特征提取骨干网络，通过自注意力机制以及Shuffle操作捕捉特征图全局信息，建立特征点之间的长距离依赖关系，提高模型的特征感知能力；同时，结合ArcFace损失函数和中心损失函数的特点，设计融合损失作为目标函数，利用类内约束扩大角度间隔，提高特征空间的辨别性。该方法在LFW、CALFW、CPLFW、AgeDB-30和CFP五个具有挑战性的基准测试人脸数据集上分别取得了99.83%、95.87%、90.05%、98.05%、97.23%的平均准确率，能够有效提升人脸特征提取能力，识别效果优于同等规模卷积神经网络。
- 出版日期2023
- 单位西安理工大学
