自动化所提出海量虚拟数据生成新方法

最近，中国科学院自动化研究所智能感知与计算研究中心提出了一种生成人脸图像数据的新方法，可以从零开始生成现实世界中不存在的20万张人脸虚拟图像。该方法能有效缓解异构人脸识别中数据采集成本高的问题，充分利用少量真实样本进行深入学习。在这些生成的真实虚拟图像的帮助下，研究人员已经在一系列具有挑战性的人脸识别应用中观察到识别性能的显著提高，例如近红外-可见光、热红外-可见光、草图-照片、侧面-正面、身份证-相机照片等。目前，该研究成果已被神经科学会2019年会议视为焦点。

异构人脸识别在现实生活中有着非常广阔的应用前景，但也面临许多挑战。例如，近红外传感器对光照变化非常稳健，即使在黑暗环境中也能清晰成像。因此，主流手机制造商都采用近红外人脸识别技术。然而，由于近红外和可见光数据之间的巨大领域差异以及匹配异构数据的严重不足，异构人脸识别问题尚未完全解决。

自动化研究所的研究人员提出了一个双变量生成(DVG)模型，通过从噪声中生成大规模成对虚拟数据作为数据增强，来减少异构人脸识别网络中的域差异。为了实现这个目标，研究人员精心设计了一个双变量自编码器，如下图右半部分所示。给定一对具有相同身份的成对异构人脸数据，对偶变分自编码器学习成对异构数据在隐藏空间中的联合分布。为了保证生成的成对异构数据的身份一致性，研究人员在隐藏空间和像素空间分别应用了分布对齐损失和成对身份保持损失。

这样，生成的成对异构数据在态度、表达等属性上有一定的差异，因此生成的虚拟数据具有丰富的类内多样性。此外，与基于条件图像生成的方法不同，双重生成模型不再要求生成的数据属于特定类别，而仅限制生成的成对异构数据之间的身份一致性。

上述实验表明，双生成模型可广泛应用于各种异构人脸识别任务，如近红外-可见光、热红外-可见光、素描-照片、侧面-正面和身份证-相机照片。

广东11选5app 黑龙江十一选五开奖结果 香港彩购买 三分快3