《Pose-Robust Face Recognition via Deep Residual Equivariant Mapping》 阅读笔记
原文链接：https://arxiv.org/pdf/1803.00839.pdf
这是一篇CVPR2018的论文。
做人脸的童鞋都知道，算法在输入图片为侧脸时，往往很难和正脸图片匹配，即使是同一个人，特征之间的相似度也会很低。这篇文章就是商汤为了解决人脸识别中的侧脸问题而做的。
废话不多说，来看看论文给的解决方案。
算法原理
论文基于这样的假设，存在一种映射可以使得侧脸图片的特征可以映射为正脸图片特征，如图所示：
用数学语言表达，假设CNN为一个映射Φ，可以将某张图片x映射为Φ(x), 再假设由正脸到侧脸为g，则有：
那么，我们只要学习到一个映射Mg即可，为了拟合这样一个映射，文中使用了称为 Deep Residual EquivAriant Mapping (DREAM) 的模块，其结构如下：
DREAM模块通过Residual来模拟需要的残差。并且通过一个角度估计模块来得到头部的偏转置信度，作为一个软开关，残差会乘以y(x)，然后添加到原特征上，文中也给出了公式化的表达，可以很清晰的看出文章的思路。
DREAM结构分析
第一个额外的结构是Residual，这里的Residual是两个简单的全连接层，并且使用了PReLU作为激活函数，用来拟合映射的残差。
另一个结构是角度估计模块，它使用脸部的21个关键点作为输入，使用了另一篇论文 Appearancebased gaze estimation in the wild的方法来估计脸部的偏转角度(yaw)，然后通过一个非线性变换来得到一个[0,1]之间的置信度，即：
式中y表示偏转角，delta表示sigmoid函数。
实验
文中提到了三种使用DREAM模块的方式：
1.Stitching 主CNN网络先训练好，插入DREAM模块后，直接训练DREAM模块；
2.End-to-end 直接一起从头训练；
3.End-to-end+retrain 一起从头训练到收敛，之后固定主CNN模块，只训练DREAM。
实验结果
1.基于CFP数据集的Frontal-Profile集，和其他一些算法的对比
2.基于IJB-A数据集，和其他算法的一些对比
3.关于DREAM插入的位置的实验
4.关于对偏转角度使用怎么样的映射来得到偏转置信度
</div>