点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

本文转自：计算机视觉life

看过的动漫太多，以至于认角色时有点脸盲？

试试爱奇艺推出的这个卡通人脸识别基准数据集iCartoonFace，用它训练AI帮你找动漫素材，效率分分钟翻倍。

对于脸型相近、但角色不同的二次元人物，能准确识别出来（脸盲福音）：

如果人物视角出现变化，也能准确识别：

不仅如此，在人脸被大面积遮挡时，也能准确地识别出来：

至于阴影和光照也不在话下，哪怕站在树荫里，也能被AI“侦测”：

效果完全不输现有的真实人脸识别。

那么，这样的技术是怎么做出来的呢？

结合真人数据，训练卡通人脸识别

团队提出了一种卡通和真人的多人物训练框架，主要包括分类损失函数、未知身份拒绝损失函数和域迁移损失函数三部分，如下图所示。

其中，分类损失函数主要用来对卡通脸和真人脸进行分类。

而未知身份拒绝损失函数，则是为了在不同域之间进行无监督正则化投影。

至于域迁移损失函数，目的是降低卡通和真人域之间的差异性，对他们的相关性进行约束。

针对这个框架，研究者们探讨了三个问题：哪种算法最好？人脸识别是否有助于卡通识别？上下文信息对卡通识别是否有用？

从实验结果来看，ArcFace+FL的效果最佳，所以此次团队选用了这个算法。

至于后两个问题的答案，也是肯定的。

从下图的蓝线来看，加上真人人脸识别的信息后，对于卡通检测的识别同样有帮助。

至于上下文信息，团队也做了实验，下图是算法在卡通人脸基础上扩充不同比例下的性能识别。实验证明，上下文信息越丰富，人脸识别的效果也会更好。

事实上，动物角色训练出来的特征样本，相比于人脸来说，还是有点诡异。

下图中分别是原图和对应的特征样本，相比于动漫男生和女生，虹猫的特征显得有点……不可捉摸。

不过这也说明，一个标准、大型的动漫人脸数据集是有必要的。

标注数据，只需要一步

为了减少人工标注的工作量，研究者们设计了一种半自动数据集构建框架，用于构建iCartoonFace数据集。

如下图，这个框架可以分为三个阶段：

首先，对数据进行分层收集。先获取卡通图片信息，包括专辑和人物名称，再获取卡通人物图片，使得数据集结构非常清晰。

其次，对数据进行过滤。利用卡通人脸检测、特征提取器和特征聚类等，对图片数据进行噪声过滤。

其中，特征提取器的性能会发生变化：随着标注数据的增多，性能不断增强。

最后，标注人员只需要做一个步骤：根据特征聚类的结果，回答两张图片是否是同一个人物。

目前最大的卡通人物标注数据集

事实上，目前已有大量针对真人的人脸识别的技术和算法。

然而，针对二次元人脸识别的数据集依旧少之又少，大多数数据集存在着噪音比例大、数据量小的问题。

但这样的需求的确存在，不局限于对视频的结构化分析，还能应用于图片搜索、广告识别等场景。

例如，给创作者提供智能剪辑、或者是对恶搞的讽刺漫画、卡通风格人物进行审核辨识。

针对这个现象，爱奇艺开放了目前全球最大的手工标注卡通人物检测数据集与识别数据集iCartoonFace，包含超过5000个卡通人物、40万张以上的高质量实景图片。

下图是iCartoonFace与其他已有动漫数据集的对比，基于这个数据集设计框架，可以有效地提高卡通人物识别性能。

说不定，真能让广大观众对动漫角色“不再脸盲”。

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~