基于SoF数据集的部分人脸识别中CNN骨干网络的比较迁移学习研究
A Comparative Transfer-Learning Study of CNN Backbones for Partial Face Recognition on the SoF Dataset
查看机构详情
- University of Sharjah（沙迦大学）
- Technical University Dortmund（多特蒙德工业大学）
机构由 AI 辅助整理，请以论文原文为准。
浏览论文内容
中文总结 AI 辅助
本文在SoF数据集上比较了三种CNN骨干（ResNet-50、VGG-16、FaceNet）用于部分人脸识别的迁移学习性能，其中FaceNet配置（PFN）以97.4%的准确率显著领先，并创下该数据集上的最高准确率和召回率。
中文摘要 AI 辅助
人脸识别广泛应用于监控、门禁和法医工作流程中，然而一旦面部被配件、前景物体或图像边缘遮挡，识别准确率会急剧下降。由于现实场景中大多数面部都是部分可见的，鲁棒的部分人脸识别（PFR）仍然是一个开放性问题。本文在Specs-on-Faces（SoF）数据集上，通过迁移学习对三种预训练卷积骨干网络ResNet-50、VGG-16和FaceNet进行微调，以用于PFR，并在相同的预处理、数据划分和优化协议下进行比较。所有三个实验组均使用统一的160x160输入，冻结骨干网络并训练可训练的分类头，在固定的训练轮次预算下，且不进行针对每个骨干网络的超参数搜索。其中，FaceNet配置（记为PFN，即Partial FaceNet）显著优于其他两种配置，在112个身份类别上达到了97.4%的测试准确率，宏平均精确率为87.04%，召回率为84.61%，F1分数为84.17%，这是SoF数据集上报告的最高准确率和召回率。
英文摘要
Face recognition is widely deployed in surveillance, access control, and forensic workflows, yet accuracy degrades sharply once the face is occluded by accessories, foreground objects, or the frame edge. Because most faces in the wild are partial, robust partial face recognition (PFR) remains open. This paper compares three pretrained convolutional backbones, ResNet-50, VGG-16, and FaceNet, fine-tuned for PFR by transfer learning under identical preprocessing, splitting, and optimization protocols on the Specs-on-Faces (SoF) dataset. All three arms use a common 160x160 input and a frozen backbone with a trainable head under a fixed epoch budget and no per-backbone hyperparameter search. The FaceNet configuration, denoted PFN (Partial FaceNet), substantially outperforms the other two, reaching 97.4% test accuracy with macro-averaged 87.04% precision, 84.61% recall, and 84.17% F1 over the 112 identity classes, the highest accuracy and recall reported on SoF.
