← Voltar ao Blog

Radar de pesquisaReconhecimento facialarXivOutubro de 2026

Radar arXiv mensal

Artigos de reconhecimento facial de outubro de 2026: atenção a amostras difíceis, auditorias de dados e escala térmica

O trabalho de reconhecimento facial de outubro vai além de uma única pontuação na tabela de classificação. O ViT-HarDis muda a forma como um transformador é regularizado durante o treinamento, a auditoria MS1MV3 mede quais reparos de dados realmente ajudam e o VTF900 testa a correspondência espectral cruzada em uma escala onde valores atraentes de AUC podem ocultar o fraco desempenho do ponto operacional.

O que este mês sinaliza

ViT-HarDis direciona a decorrelação da atenção para amostras com identidade ambígua e lidera os sistemas ViT comparados em IJB-B, IJB-C e TinyFace sem alterar a inferência. Uma auditoria controlada MS1MV3 mostra que a remoção de 15,44% de imagens duplicadas melhora ligeiramente a precisão e atinge o desempenho básico com 23,7% menos etapas, enquanto a filtragem ampla não é automaticamente benéfica. O VTF900 expande então a avaliação térmica visível para 900 indivíduos: uma AUC de 97,68% corresponde a apenas 51,10% TAR a 1% FAR na configuração frontal, e o desempenho fora de pose cai ainda mais. Juntos, os artigos argumentam que a dinâmica de treinamento, os defeitos de dados, a escala da galeria e os limites operacionais devem ser avaliados separadamente.

Artigo 012026-10-30cs.CV

Atenção descorrelacionada condicionada por amostras difíceis para reconhecimento facial robusto

Autores e instituições

Tahar Chettaoui

Fraunhofer Institute for Computer Graphics Research IGD

Guray Ozgur

Fraunhofer Institute for Computer Graphics Research IGD

TU Darmstadt

Eduarda Caldeira

Fraunhofer Institute for Computer Graphics Research IGD

TU Darmstadt

Naser Damer

Fraunhofer Institute for Computer Graphics Research IGD

TU Darmstadt

Fadi Boutros

Fraunhofer Institute for Computer Graphics Research IGD

Que problema resolve

ViT-HarDis visa atenção redundante especificamente onde a incorporação está perigosamente próxima de outra identidade. Ele foi projetado para melhorar o reconhecimento facial em grande escala e baixa resolução, mantendo inalteradas a latência de inferência, o formato do modelo e as interfaces de incorporação.

Resultado-chave

Na ablação controlada de ViT-S, o TAR no FAR 1e-4 sobe de 84,46% para 85,72% no IJB-B e de 88,18% para 89,09% no IJB-C. Com ViT-B treinado em WebFace4M, o método reporta 95,84% em IJB-B, 97,24% em IJB-C e 75,97% TinyFace Rank-1, liderando os sistemas baseados em ViT comparados. O custo de inferência permanece inalterado porque a penalidade é apenas de treinamento, embora os autores relatem treinamento cerca de 30% mais longo no WebFace4M.

Resumo

A atenção de múltiplas cabeças em Vision Transformers (ViTs) permite padrões de atenção independentes entre as cabeças, mas sem regularização explícita, as cabeças podem aprender padrões redundantes em vez de funções complementares. Penalidades baseadas em correlação incentivam o desembaraço da cabeça, mas aplicam regularização uniforme em todas as amostras de treinamento. No reconhecimento facial (FR), amostras rígidas cujas incorporações estão próximas de identidades concorrentes são críticas para otimização e generalização. Motivados por isso, propomos ViT-HarDis, que condiciona o desembaraço da cabeça da atenção à dificuldade da amostra: amostras com alta similaridade de cosseno com centros de classe negativos recebem decorrelação da cabeça mais forte, reforçando a especialização onde a ambiguidade de identidade é maior. Os experimentos mostram melhorias tanto na linha de base quanto no desembaraço uniforme na maioria dos benchmarks. Nossa análise mostra que o ViT-HarDis reduz a similaridade de amostras duras com centros de classe concorrentes, ao mesmo tempo que diminui a similaridade de atenção entre cabeças, e que aplicar o desemaranhamento apenas às camadas finais do transformador supera a regularização de toda a rede. Treinado em WebFace4M, ViT-HarDis alcança resultados SOTA entre métodos baseados em ViT em IJB-B, IJB-C e TinyFace Rank-1, ao mesmo tempo em que alcança os melhores resultados de IJB-B e TinyFace quando treinado em MS1MV3, melhorando FR sem modificações arquitetônicas ou custo adicional de inferência. Código: https://github.com/TaharChettaoui/Hard-Sample-Conditioned-Attention-for-FR.

Ponto de partida da pesquisa

Os Vision Transformers podem alocar diferentes regiões faciais para diferentes cabeças de atenção, mas essas cabeças geralmente convergem para padrões redundantes. As penalidades de decorrelação uniformes tratam um retrato frontal fácil e uma amostra difícil com identidade ambígua, embora amostras difíceis próximas a centros de classe concorrentes sejam as que têm maior probabilidade de determinar erros de verificação. O artigo questiona se a capacidade de formação pode concentrar-se nessas identidades difíceis sem alterar a arquitetura implementada.

Método

O método mede a dureza da amostra a partir da similaridade do cosseno com o centro de classe negativo mais próximo. Para cada bloco transformador selecionado, ele calcula uma penalidade de correlação de atenção entre cabeças, pondera essa penalidade mais fortemente para amostras mais difíceis e corretamente classificadas e adiciona-a à perda de reconhecimento facial baseada em margem normal. Os experimentos comparam a linha de base, o desembaraço uniforme e o desembaraço condicionado pela dureza; as ablações de camadas mostram que regularizar apenas o último quarto dos blocos do transformador é mais eficaz do que aplicar a restrição em todos os lugares.

Síntese do artigo

Para equipes que já usam um codificador facial ViT, trata-se de melhorar o procedimento de treinamento, não de refazer a implantação. Os ganhos são maiores em testes difíceis, de grande escala e baixa resolução, mas exigem mais tempo de treinamento e validação na população-alvo.

Artigo 022026-10-20cs.CV

Diferentes defeitos, diferentes efeitos: uma auditoria controlada de dados de treinamento de reconhecimento facial

Autores e instituições

Ana Dias

University of Beira Interior

Instituto de Telecomunicacoes

NOVA LINCS

João Ribeiro Pinto

Amadeus

Hugo Proença

University of Beira Interior

Instituto de Telecomunicacoes

João C. Neves

University of Beira Interior

NOVA LINCS

Que problema resolve

O estudo separa cinco classes de defeitos e mede o efeito da correção de cada uma sob o mesmo protocolo de treinamento IResNet-50 e ArcFace. Isso permite que os proprietários dos dados distingam as intervenções que melhoram a eficiência do treinamento da filtragem ampla que pode remover acidentalmente amostras informativas.

Resultado-chave

A melhor configuração de remoção de duplicatas exclui 15,44% das imagens, aumenta a precisão média da validação de 97,20% para 97,27% e atinge o desempenho básico com 23,7% menos etapas de otimização. Uma remoção aleatória correspondente atinge apenas 97,18%, portanto, a redução do conjunto de dados por si só não explica o resultado. A fusão de identidades divididas retém todas as imagens e atinge o desempenho básico com 21,8% menos etapas; remover conteúdo inválido ajuda de forma semelhante, enquanto combinar todos os filtros de validade não produz automaticamente o melhor modelo.

Resumo

O desenvolvimento do reconhecimento facial tem sido fortemente apoiado pela disponibilidade de conjuntos de dados de formação em grande escala. Entre eles, o MS-Celeb-1M desempenhou um papel importante ao fornecer milhões de imagens faciais de quase 100 mil identidades. No entanto, o tamanho e a heterogeneidade de tais conjuntos de dados aumentam a probabilidade de erros de anotação, amostras redundantes e outras formas de inconsistência de dados. Isto motivou a introdução de versões refinadas, como MS1MV2 e MS1MV3, visando melhorar a qualidade dos dados de treinamento. Apesar desses esforços de limpeza, mostramos que vários tipos de defeitos nos dados de treinamento permanecem no MS1MV3. Ao propor estratégias complementares de auditoria de dados, identificamos cinco categorias de defeitos: imagens exatas e quase duplicadas, identidades divididas, erros de corte, ambiguidade de múltiplas faces e conteúdo inválido. Em seguida, avaliamos o efeito da correção desses defeitos sob um protocolo de treinamento de reconhecimento facial controlado baseado em IResNet-50 e ArcFace. Os resultados mostram que as intervenções direcionadas podem preservar e, em alguns casos, melhorar o desempenho do reconhecimento, ao mesmo tempo que requerem menos etapas de otimização para alcançar o desempenho do conjunto de treino original. A remoção duplicada fornece o benefício geral mais claro, enquanto a fusão de identidades divididas e a remoção de conteúdo inválido também melhoram a eficiência do treinamento. No geral, os resultados indicam que o efeito da limpeza do conjunto de dados depende fortemente do tipo de defeito a ser resolvido e fornecem mais evidências de que a qualidade dos dados de formação continua a ser um factor importante e comparativamente subexplorado no reconhecimento facial em grande escala. Os manifestos de treinamento e o código utilizado neste trabalho serão divulgados mediante aceitação.

Ponto de partida da pesquisa

Grandes conjuntos de dados de reconhecimento facial são geralmente descritos como limpos ou barulhentos em conjunto, mas duplicatas, identidades divididas, cortes ruins, múltiplos rostos e imagens inválidas criam diferentes erros de supervisão. O MS1MV3 já é um benchmark refinado, portanto os defeitos remanescentes fornecem um teste útil para saber se outra passagem de limpeza melhora o reconhecimento ou apenas remove a diversidade útil.

Método

Duplicatas exatas e quase duplicadas são encontradas com hashes perceptivos; identidades divididas são descobertas usando representações de nível de identidade seguidas de verificação de imagem; erros de corte e ambigüidade de múltiplas faces usam verificações geométricas e OFIQ; conteúdo inválido é identificado com respostas visuais a perguntas do BLIP. Os autores criam variantes de conjuntos de dados controlados, incluem um controle de remoção aleatória correspondente à identidade e contagem de imagens, treinam cada variante de forma idêntica e avaliam a precisão da validação e os pontos de verificação iniciais em IJB-B e IJB-C.

Síntese do artigo

A lição operacional é auditar os tipos de defeitos separadamente e medir a eficiência do aprendizado, bem como a precisão final. A remoção de duplicatas e o reparo de identidade parecem valer a pena aqui, enquanto a filtragem indiscriminada de qualidade não é uma vitória garantida.

Artigo 032026-10-17cs.CV

VTF900: um conjunto de dados e referência de reconhecimento facial térmico visível de 900 indivíduos

Autores e instituições

Jacob Abaare

University of Nebraska-Lincoln

Bianca Ianetta

University of Nebraska-Lincoln

Cedric Nimpa Fondje

AeroVironment

Shuowen Hu

DEVCOM Army Research Laboratory

Benjamin S. Riggan

University of Tennessee, Knoxville

Que problema resolve

O VTF900 fornece um benchmark térmico visível emparelhado de 900 indivíduos para verificação e identificação de conjunto fechado. O objetivo é revelar como os métodos espectrais cruzados são dimensionados quando os dados de treinamento vêm de uma coleção diferente e quando a pose, a expressão e a oclusão da sonda variam.

Resultado-chave

Na galeria completa de 900 pessoas, o ViT-B atinge 97,68% AUC, mas apenas 51,10% TAR a 1% FAR em condições frontais. DPIT-ResNet50 é mais resiliente fora de pose, com 94,68% AUC e 36,08% TAR a 1% FAR. A lacuna cada vez maior entre a AUC principal e o TAR operacional, juntamente com a degradação à medida que o tamanho da galeria aumenta, mostra por que os resultados de benchmarks térmicos de aproximadamente 100 pessoas não estabelecem a prontidão da produção.

Resumo

Apesar dos avanços no reconhecimento facial térmico visível, onde as imagens faciais da sonda térmica (consulta) são comparadas com modelos de inscrição visíveis, os benchmarks existentes são atualmente limitados por tamanhos de galeria pequenos (N aproximadamente 100 indivíduos). Essa limitação inibe a capacidade de avaliar com precisão o reconhecimento facial térmico visível em escala e de relatar métricas significativas de desempenho de reconhecimento, que têm melhor relevância operacional. Portanto, apresentamos o VTF900, um benchmark de reconhecimento facial térmico visível em grande escala com 900 indivíduos e imagens emparelhadas que incluem variações de expressão, pose e oclusão. O VTF900 foi projetado para suportar avaliações em larga escala (ou seja, grandes galerias) através de verificação (correspondência 1:1) e identificação de conjunto fechado (correspondência 1:N) para reconhecimento facial térmico visível. Além disso, o VTF900 aborda especificamente a combinação desafiadora de análise espectral cruzada e de conjunto de dados cruzado. Neste artigo, após treinar modelos no conjunto de dados ARL-VTF, fornecemos análises de benchmark em arquiteturas convolucionais (linha de base), transformadores de visão e redes neurais adaptativas de domínio para avaliar como esses métodos são dimensionados. Em escala total da galeria (N = 900), os modelos de transformadores alcançam forte desempenho discriminativo sob condições frontais (por exemplo, ViT-B: 97,68% AUC, 51,10% TAR @ 1% FAR), enquanto métodos adaptativos de domínio, como DPIT-ResNet50 demonstram maior robustez sob condições off-pose (94,68% AUC, 36,08% TAR @ 1% FAR). Nossos resultados mostram que a alta AUC em pequena escala não se traduz em desempenho confiável em escala de implantação e que a variação de pose amplifica significativamente a degradação do desempenho. O VTF900 expõe essas limitações, permitindo uma avaliação mais rigorosa dos sistemas de reconhecimento facial espectral cruzado.

Ponto de partida da pesquisa

O reconhecimento facial visível para térmico é atraente para operações noturnas e com pouca luz, mas a maioria das avaliações públicas contém cerca de cem identidades. Pequenas galerias podem fazer com que o AUC pareça forte, ao mesmo tempo que ocultam as correspondências falsas e os erros de classificação que aparecem quando um sistema precisa pesquisar uma população do tamanho de uma implantação, especialmente sob pose e mudança de sensor.

Método

O conjunto de dados combina imagens de inscrição visíveis com sondas térmicas para 900 indivíduos consentidos e define protocolos oportunistas controlados e exaustivos. Os modelos são treinados em ARL-VTF em vez de VTF900 e, em seguida, testados em tamanhos crescentes de galerias usando arquiteturas convolucionais, de transformador e adaptativas de domínio. A análise relata métricas de verificação e identificação separadamente para condições frontais e off-pose.

Síntese do artigo

O VTF900 é útil para compradores que avaliam sistemas de identidade noturnos porque testa a incompatibilidade de sensores e a escala da galeria. Seus resultados defendem o relato de métricas de ponto operacional e estratificadas por pose, e não apenas da AUC.