Not logged in.

Quick Search - Contribution

Contribution Details

Type Master's Thesis
Scope Discipline-based scholarship
Title Open-Set Face Recognition with Entropic Open-Set Loss
Organization Unit
Authors
  • Yu Linghu
Supervisors
  • Manuel Günther
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date 2022
Abstract Text The goal for the open-set face recognition is to identify the unseen subjects and do not assign them to any known subject with high confidence. There are two types of subjects involved in the task: the ones that we are interested in and have labels, i.e. known subjects; the ones that we do not care about and have no labels (we use −1 in the experiment instead), i.e. unknown subjects. We build a complete face recognition pipeline through Bob. ArcFace R100 network, as a feature extractor, has a good performance on the IJB-C dataset. Our goal is to add an extra network after ArcFace to enhance its power on open-set face recognition tasks. We attempt three cases: first, the unknown subjects have never appeared in the training; second, the unknown subjects appear in both training and testing; third, the unknown subjects only appear in the testing, and they are replaced by the adversarial samples generated from the knowns in the training. The training unknowns have no overlap with the testing unknowns in case three. Plain softmax loss and entropic open-set loss are applied to the first two cases, respectively, and objectosphere loss is used for the second and third cases. We prove that those models create a high True Positive Identification Rate especially when the False Positive Identification Rate is small. Replacing the unknown subjects in case two to the adversarial samples as in case three is successful without performance degradation. One flaw is that the magnitude separation property of the entropic open-set loss and objectosphere loss is not apparent. When working with the adversarial samples, the situation is worse.
Zusammenfassung Das Ziel der open-set Gesichtserkennung ist es, die ungesehenen Personen zu identifizieren und sie keiner bekannten Person mit hoher Konfidenz zuzuordnen. Es gibt zwei Arten von Perso- nen, die an der Aufgabe beteiligt sind: diejenigen, an denen wir interessiert sind und die La- bels haben, d.h. die bekannte Personen; diejenigen, die uns nicht interessieren und keine Labels haben (wir verwenden stattdessen −1 im Experiment), d.h. die unbekannte Personen. Wir bauen eine komplette Gesichtserkennungspipeline durch Bob auf. Das ArcFace R100 Netzwerk zeigt als Merkmalsextraktor eine gute Leistung an dem IJB-C Datensatz. Unser Ziel ist es, ein zusätzliches Netzwerk nach ArcFace hinzuzufügen, um seine Leistung bei Aufgaben der open-set Gesicht- serkennung zu verbessern. Wir versuchen drei Fälle: Erstens, die unbekannten Personen sind nie im Training aufgetreten; zweitens, die unbekannten Personen treten sowohl im Training als auch in den Tests auf; drittens, die unbekannten Personen treten nur in den Tests auf und wer- den durch die adversarial Proben ersetzt, die aus den bekannten Proben im Training generiert wurden. Im dritten Fall überschneiden sich die Unbekannten im Training nicht mit den Un- bekannten in den Tests. Für die ersten beiden Fälle werden der einfache softmax loss und der entropic open-set loss verwendet, für den zweiten und dritten Fall der objectosphere loss. Wir beweisen, dass diese Modelle eine hohe True Positive Identification Rate liefern, insbesondere wenn die False Positive Identification Rate gering ist. Das Ersetzen der unbekannten Personen durch die adversarial Proben in Fall zwei wie in Fall drei ist ohne Leistungseinbussen erfolgreich. Eine Schwachstelle ist, dass die Eigenschaft der Grössentrennung des entropic open-set loss und des objectosphere loss nicht offensichtlich ist. Bei der Arbeit mit den adversarial Proben ist die Situation noch schlechter.
PDF File Download
Export BibTeX