人脸识别“Neural Aggregation Network for Video Face Recognition”

人脸识别的新方法。主要对视频进行处理。使用CNN提取视频中多帧人像的特征，之后使用聚合模块对全部帧的特征向量进行学习累积。实验结果表明这样的方法比手工设计的方法如平均池化要好。人脸识别结构例如以下图所看到的：

视频中的人脸包括了目标不同姿态及光照条件下的图像，视频人脸识别的关键是怎样有效的怎样不同帧中的人脸信息，保留有效的信息并去除噪声。

经常使用的方法有池化，即平均池化和最大化池化，作者设计了一个自适应权值方法。使得特征表示变为：

r=∑kakfk

累积模块的结构如图1所看到的。包括两个Attention块。每一个都将特征与核q进行卷积，生成一个与原始特征fk维度同样的固定长度的表示r。对与每一个Attention块，将输入特征fk与核q进行内积运算，生成显著度ek，之后输入softmax算子生成归一化的权值ak，过程公式表演示样例如以下：

作者觉得上下文自适应的核可以获取更好的结果。因此使用了两个attention块，让第一个核通过转换函数适应第二个核：

q1=tanh(Wr0+b)

第一个attention块q0及转换层的參数通过SGD监督学到，结构例如以下：

在Youtube上的实验结果例如以下：