计算机科学与探索

作者：王海勇, 潘海涛, 刘贵楠

单位：1. 南京邮电大学 计算机学院，南京 2100232. 南京邮电大学 智慧校园研究中心，南京 210023

关键词：人脸识别,特征提取,课程式学习,注意力机制

针对当前人脸识别算法中提取的人脸特征可区分性不强、难易样本区分度不够的问题，提出一种融合注意力机制和课程式学习的人脸识别算法（ECACFace）。该算法提出一种高效的空间通道注意力模块（ESCA）并将其融入特征提取网络的基本模块中，使用高效的通道注意力模块（ECA）获取通道关注度并在ECA之后加入空间注意力模块，在关注图像通道信息的基础之上进一步获取空间关注度，从而得到信息更加丰富的人脸特征向量用于人脸分类。同时在训练时引入基于课程式学习的损失函数，做到在训练过程中区分难易样本，并在前期着重训练简单样本，后期着重训练困难样本，实现有区分度的样本学习。在CASIA-WebFace数据集上训练基于轻量级网络和浅层网络的ECACFace，与原始网络相比有超过1.5个百分点的精度提升。在百万规模的MS1MV2数据集上训练基于深层网络的ECACFace，在CPLFW数据集上比ArcFace精度提升了1.14个百分点，实验结果表明，融合ESCA模块和基于课程式学习的损失函数能够进一步提升人脸识别性能。

来源：2023年第8期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2023年第8期