【论文笔记】Orthogonal Deep Features Decomposition for Age-Invariant Face Recognition 多任务网络

论文题目：Orthogonal Deep Features Decomposition for Age-Invariant Face Recognition

目录

文章主题

研究现状

方法原理

方法介绍

模型整体框架

特征的正交分解

多任务学习

---

文章主题

在跨年龄人脸识别 (AIFR) 任务中将提取的 age-related features 特征和 identity-related features 分为两个正交部分，搭建multi-task网络：identity-related features 用来分类，age-related features 特征用来做年龄回归（可以理解为年龄特征的引流），提升网络的分类性能。

研究现状

文中提到目前关于AIFR的研究分为两种方法：

1. generative scheme：先将图像根据年龄分类，再进行人脸识别
2. discriminative scheme：直接识别。已有HFA方法等例子。

对于以上两方面不细讲，原文中有简要介绍以及文献引用。本篇文章属于第二类，并将所提出方法与HFA对比。

方法原理

方法的重点在于将神经网络提取的特征根据 age-related 和 identity-related 进行区分，identity-related 特征是不受年龄影像的，是age-invariant的，用来进行AIFR。具体来说，文中作者借鉴 A-Softmax 将特征映射到球坐标系，径向坐标  指定为 age-related feature，角坐标  指定为 identity-related feature，两种特征在一个 multi-task 网络中一起训练。分类任务的loss为 A-Softmax loss ，回归任务是线性回归。目前已有论文中对age-related 和 identity-related进行线性组合，而此文中对这两种特征进行正交组合。

方法介绍

模型整体框架

首先是类似于ResNet的CNN结构，提取到高维特征向量后正交分解为两部分。

特征的正交分解

多任务学习

• 年龄特征学习

使用了线性规划，因为只有一维特征，所以过于复杂的模型容易过拟合。公式：

• 样本识别特征学习

借鉴A-Softmax，损失函数：

• 共同训练

multi-task的loss组合：

这个multi-task模型在训练的适合两部分loss都参与，测试过程中只考虑分类网络。