繼神經(jīng)網(wǎng)絡(luò)推理框架ncnn、TNN，動作檢測算法DBG，通用目標(biāo)檢測算法OSD，人臉檢測算法DSFD、人臉屬性算法FAN等眾多優(yōu)秀的框架、算法開源后，騰訊優(yōu)圖實(shí)驗(yàn)室又有一項(xiàng)人臉識別算法研究項(xiàng)目——TFace正式擁抱開源。

　　項(xiàng)目背景

　　TFace是由騰訊優(yōu)圖實(shí)驗(yàn)室研發(fā)的人臉識別算法研究項(xiàng)目，其中TFace中的T意為“trusty”，表達(dá)了團(tuán)隊(duì)在可信人臉識別技術(shù)方向上的愿景。

　　人臉識別算法是指在檢測到人臉并定位面部關(guān)鍵特征點(diǎn)之后，裁剪出主要的人臉區(qū)域，并經(jīng)過預(yù)處理后饋入后端的識別算法。因?yàn)橛兄奖阌押?、易于接受、不易偽造等一系列?yōu)點(diǎn)，在過去30多年里，人臉識別一直都是人工智能領(lǐng)域的研究熱點(diǎn)。并被廣泛應(yīng)用在公共安全、身份驗(yàn)證、門禁考勤、金融支付等領(lǐng)域。隨著人臉識別技術(shù)的大規(guī)模應(yīng)用，進(jìn)入“看臉時代”的同時，人臉識別也正在一步步向著“可信”發(fā)展。

　　基于可信人臉識別的理念，TFace重點(diǎn)關(guān)注人臉識別領(lǐng)域的四個研究方向：精準(zhǔn)、公平、可解釋以及隱私。經(jīng)過多年的行業(yè)實(shí)戰(zhàn)經(jīng)驗(yàn)，優(yōu)圖在每個方向都積累了大量硬核技術(shù)，其中很多提煉后作為學(xué)術(shù)成果發(fā)表在相關(guān)頂級CV會議中。為了方便研究人員快速復(fù)現(xiàn)我們的工作，已發(fā)表文章的代碼全部在TFace中開源;

　　在研究工作開展的過程中，我們開發(fā)了一套成熟的算法訓(xùn)練和測試框架，框架主要由數(shù)據(jù)增強(qiáng)、骨干網(wǎng)絡(luò)模型庫、模型評估、訓(xùn)練范式等高度抽象化模塊組成，通過簡單的修改配置文件就可以開展相應(yīng)的實(shí)驗(yàn)，支持多種骨干網(wǎng)絡(luò)結(jié)構(gòu)和heads,復(fù)現(xiàn)了學(xué)術(shù)界主流的SOTA方法和效果，同時也利用工業(yè)界主流的推理框架測試了不同模型的推理耗時。

　　1、在數(shù)據(jù)預(yù)增強(qiáng)模塊中，除了傳統(tǒng)的圖像處理操作外，針對困難場景下識別精度低這一難題，TFace采用從2D和3D兩條路線進(jìn)行數(shù)據(jù)增強(qiáng)，目前已開放2D數(shù)據(jù)增強(qiáng)代碼，可以擴(kuò)增成戴口罩、戴眼鏡、戴頭巾等樣本，后續(xù)TFace也會逐漸開放對于光線、表情、姿態(tài)這些細(xì)粒度屬性的3D增強(qiáng)代碼;

　　2、在骨干網(wǎng)絡(luò)模型庫中，TFace實(shí)現(xiàn)了十余種學(xué)術(shù)界常見的人臉識別提特征網(wǎng)絡(luò)結(jié)構(gòu)，可以滿足終端和后臺等常用場景下的耗時需求;

　　3、模型評估模塊主要包括了推理耗時評估和精度評估，推理耗時評估主要測試了不同模型在X86 CPU,ARM CPU,GPU具體設(shè)備上的推理速度，精度評估主要提供了在常見學(xué)術(shù)測試集上的評估工具以及不同模型的結(jié)果，這些可以供開發(fā)者選擇模型結(jié)構(gòu)時參考;

　　4、在訓(xùn)練范式上，TFace支持常見的數(shù)據(jù)并行+模型并行以及混合精度訓(xùn)練，提升大規(guī)模訓(xùn)練的效率，支持多數(shù)據(jù)分支訓(xùn)練，采用類似多任務(wù)學(xué)習(xí)的方式同時訓(xùn)練多個數(shù)據(jù)集，提升模型的精度，此外TFace后續(xù)將會開放量化感知訓(xùn)練、模型蒸餾、聯(lián)邦訓(xùn)練等代碼。

　　算法介紹(CurricularFace)

　　一種用于人臉識別基礎(chǔ)模型訓(xùn)練的損失函數(shù)，發(fā)表于CVPR2020，主要的思路是將課程學(xué)習(xí)的思想結(jié)合到常用的人臉識別損失函數(shù)，訓(xùn)練過程中自動挖掘困難樣本，先易后難漸進(jìn)學(xué)習(xí)，提升識別模型訓(xùn)練魯棒性及難樣本識別性能。

　　DDL

　　一種用于提升特定場景下人臉識別性能的方法，發(fā)表于ECCV2020，主要的思路是針對某一特定場景的難樣本，為其尋找一個合適的教師場景，通過拉近兩種場景下的人臉相似度分布，從而提升該場景下困難樣本的識別性能。

　　CIFP

　　提升個體識別公平性的方法，發(fā)表于CVPR2021，提出了基于誤報(bào)率懲罰的損失函數(shù)，即通過增加實(shí)例誤報(bào)率(FPR)的一致性來減輕人臉識別偏差。

　　SDD-FIQA

　　一種基于人臉識別相似度分布的無監(jiān)督人臉質(zhì)量評估方法，發(fā)表于CVPR2021，通過計(jì)算同人和非同人相似度分布的韋氏距離作為目標(biāo)圖像的質(zhì)量分偽標(biāo)簽，最終通過圖像+質(zhì)量偽標(biāo)簽訓(xùn)練得到質(zhì)量分模型。

　　SCF

　　一種基于人臉特征置信度的人臉識別方法，發(fā)表于CVPR2021,核心思想包含兩點(diǎn)：a.將人臉樣本特征從確定向量升級為概率分布，從而獲得額外刻畫樣本識別置信度的能力;b.提出適配于超球流形r-radius von Mises Fisher分布建模特征，理論可解釋性與方法收斂性較PFE更佳。

　　目前，TFace項(xiàng)目中的算法能力已應(yīng)用在內(nèi)外多個業(yè)務(wù)中，對內(nèi)廣泛支撐了騰訊內(nèi)部如微信，QQ中的身份識別需求，對外則通過騰訊云服務(wù)的形式，提供了ToC、ToB的相關(guān)能力，典型應(yīng)用案例如跨年齡尋人、人臉核身、刷臉支付等。現(xiàn)在，TFace已在GitHub(https://github.com/Tencent/TFace)上正式開源。