Kinship recognition aims to determine whether the subjects in two facial images are kin or non-kin, which is an emerging and challenging problem. However, most previous methods focus on heuristic designs without considering the spatial correlation between face images. In this paper, we aim to learn discriminative kinship representations embedded with the relation information between face components (e.g., eyes, nose, etc.). To achieve this goal, we propose the Face Componential Relation Network, which learns the relationship between face components among images with a cross-attention mechanism, which automatically learns the important facial regions for kinship recognition. Moreover, we propose Face Componential Relation Network (FaCoRNet), which adapts the loss function by the guidance from cross-attention to learn more discriminative feature representations. The proposed FaCoRNet outperforms previous state-of-the-art methods by large margins for the largest public kinship recognition FIW benchmark.
The 5th Recognizing Families in the Wild Data Challenge: Predicting Kinship from Faces
Recognizing Families In the Wild（RFIW）是与第16届IEEE International Conference on Automatic Face and Gesture Recognition（FG）联合举办的一项数据挑战，是一项大规模、多轨道的视觉亲属关系识别评估。对于RFIW的第五版，我们继续吸引学者，汇集专业人士，发表新的工作，并讨论前景。在本文中，我们总结了今年RFIW的三项任务的提交：具体来说，我们回顾了亲属关系验证，三主题验证和家庭成员搜索和检索的结果。我们着眼于RFIW问题，分享当前的努力，并为未来的发展方向提出建议。
Achieving Better Kinship Recognition Through Better Baseline
使用人脸图像识别血缘关系可以被视为具有额外限制的人脸识别系统的应用。事实证明，这些限制很难处理，然而，最近在人脸验证方面的进展表明，使用更多的数据和新的想法仍然有很多收获。因此，人脸识别是一个很大的源域，我们可以从中转移知识，以获得更好的性能在亲属识别作为一个源域。我们提出了一个新的基线，用于自动亲属识别任务和亲属搜索，基于RetinaFace[1]的人脸注册和ArcFace[2]人脸验证模型。以上述方法为基础，我们构建了一个管道，在最近的Recognizing Families In the Wild Data Challenge中在两个轨道上实现了最先进的性能。
Confidence-Calibrated Face and Kinship Verification
College of Information and Engineering, Capital Normal University（首都师范大学信息工程学院）；School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院）
SelfKin: Self Adjusted Deep Model For Kinship Verification
Bar-Ilan University（巴伊兰大学）
生物识别和人脸识别领域尚未解决的挑战之一是亲属关系验证。这个问题旨在了解两个人是否有家庭关系以及如何（姐妹，兄弟等）。解决这个问题可以产生各种任务和应用。在国土安全（HLS）领域，自动检测被询问的人是否与通缉的嫌疑人有关是至关重要的，在生物识别领域，亲属关系验证可以帮助通过照片区分家庭，在预测或时尚领域，它可以帮助预测人脸的年龄或年轻模型。最近，随着先进的深度学习技术的出现，这个问题在数据和研究方面得到了研究界的关注。在本文中，我们提出使用深度学习方法来解决亲属关系验证问题。此外，我们还提供了一种新的自学习深度模型，它可以从不同的人脸中学习基本特征。我们证明了我们的模型赢得了Recognize Families In the Wild（RFIW2018，FG2018）挑战赛，并获得了最先进的结果。此外，我们表明，我们提出的模型可以减少一半的网络规模，而不会损失性能。
Kinship Verification from Videos using Spatio-Temporal Texture Features and Deep Learning
Centre de Développement des Technologies Avancées（先进技术发展中心）；University of Oulu（奥卢大学）；Ecole Nationale Supèrieure d’Informatique（国立高等信息学学院）；Northwestern Polytechnical University（西北工业大学）
Recognizing Families through Images with Pretrained Encoder
Faculty of Information Technology, University of Science, VNU-HCM（越南国家大学胡志明市分校科学大学信息技术学院）
亲属关系验证和亲属关系检索是计算机视觉中的新兴任务。亲属关系验证的目的是确定两个人脸图像是否来自相关的人，而亲属关系检索是从图像库中检索可能与一个人相关的人脸图像的任务。他们引入了独特的挑战，因为隐藏的关系和功能，进行面部图像之间的固有特性。我们采用3种方法，FaceNet，Siamese VGG-Face以及FaceNet和VGG-Face模型的组合作为特征提取器，在2020年的Recognizing Family in The Wild比赛中获得了第9名的亲属关系验证和第5名的亲属关系检索。然后，我们使用StyleGAN 2作为另一个编码器进行了进一步的实验，结果没有任何改善。
What Will Your Child Look Like? DNA-Net: Age and Gender Aware Kin Face Synthesizer
Southeast University（东南大学）；Northeastern University（东北大学）；University of California San Diego（加州大学圣地亚哥分校）；ShangHai Jiao Tong University（上海交通大学）；University of Massachusetts Dartmouth（马萨诸塞大学达特茅斯分校）
Recognizing Families In the Wild: White Paper for the 4th Edition Data Challenge
Northeastern University（东北大学）；UMass Dartmouth（麻省大学达特茅斯分校）；Southeast University（东南大学）；Konica Minolta（柯尼卡美能达）；ISM Connect；Toyota Technological Institute at Chicago (TTIC)（芝加哥丰田工业大学）；University of Maryland（马里兰大学）
Recognizing Families In the Wild（RFIW）：一项年度大规模、多轨道的自动亲属关系识别评估，支持各种基于视觉亲属关系的问题，其规模比以往任何时候都要高。RFIW与第15届IEEE自动人脸和手势识别（FG）国际会议作为一项挑战联合举办，为发布原创作品和聚集专家讨论下一步提供了一个平台。本文总结了支持的任务（即，亲属关系验证、三主体验证和失踪儿童的搜索和检索），其中包括实际动机、技术背景、数据分割、指标和基准结果。此外，顶级提交（即，排行榜统计数据）被列出并作为对问题状态的高级分析进行审查。最后，本文的目的是描述2020年RFIW的挑战，端到端，以及对未来发展方向的预测。
