FaceNet: Унифицированное встраивание для распознавания и кластеризации лиц

Несмотря на значительные недавние достижения в области распознавания лиц, эффективная реализация верификации и распознавания лиц в масштабе представляет серьёзные трудности для существующих подходов. В данной статье мы представляем систему под названием FaceNet, которая непосредственно обучается отображению из изображений лиц в компактное евклидово пространство, где расстояния прямо соответствуют мере сходства лиц. После получения этого пространства такие задачи, как распознавание лиц, верификация и кластеризация, могут быть легко реализованы с использованием стандартных методов, применяя встраивания FaceNet в качестве векторных признаков. Наш метод использует глубокую сверточную сеть, обучаемую для непосредственной оптимизации самих встраиваний, а не промежуточного узкого слоя, как в предыдущих подходах глубокого обучения. Для обучения мы используем триплеты примерно выровненных совпадающих и несовпадающих фрагментов лиц, генерируемые с помощью нового онлайн-метода отбора триплетов. Преимущество нашего подхода — гораздо большая ёмкость представления: мы достигаем передового уровня точности распознавания лиц, используя всего 128 байт на лицо. На широко используемом наборе Labeled Faces in the Wild (LFW) наша система достигает нового рекордного значения точности 99.63%. На наборе YouTube Faces DB она достигает 95.12%. Наша система сокращает уровень ошибок по сравнению с лучшим опубликованным результатом на обеих выборках на 30%.