人脸识别 - Pose-Aware Face Recognition in the Wild

CVPR 2016 本文作者提供了 训练好的 CNN模型

本文主要侧重解决人脸识别中的姿态问题。

由 图1 可以看出，LFW数据中人脸的角度集中在 正负20度，而 IJB-A数据库中的角度分部则比较宽。这种大角度人脸识别难度比较大。

本文首先对人脸的角度进行分类，然后再用对应角度的CNN网络 进行人脸识别。

针对人脸，我们采用了 multi-alignment策略：
2D in-plane alignment: 平面内主要解决 尺度，平移 旋转问题。这里我们使用了 两个CNN模型，一个对应正脸，一个对应侧脸
We use one model to align images to a frontal reference, while the other to a profile one.

3D out-of-plane alignment: Out-of-plane rotation is explicitly compensated by rendering images at a specific yaw value, in order to adjust the pose and remove pose variations 这里使用了三个CNN模型：+75° PAM +40° PAM 0° PAM

4 Learning Pose-Aware CNN Models (PAMs)
4.1. Discovering the training pose distribution
首先计算出训练数据的姿态分布，可以发现数据库中的人脸偏向于正脸

4.2. PAMs for in-plane alignment
我们根据人脸姿态分布将 CASIA dataset 分为两个数据库，分别训练两个CNN模
型， PAM in-f and PAM in-p

4.3. PAMs for out-of-plane alignment

这里我们通过 rendering 将每个人脸映射到对应的姿态。一共分为三类。+75° PAM；+40° PAM；0° PAM   这三类数据可以训练三个 CNN模型