看過的動漫太多，以至于認角色時有點臉盲？

又或者，只想給自己的二次元老婆剪個出場合輯，卻不得不在各大搜索引擎搜索關于她的照片？

試試愛奇藝推出的這個卡通人臉識別基準數據集iCartoonFace，用它訓練AI幫你找動漫素材，效率分分鐘翻倍。

對于臉型相近、但角色不同的二次元人物，能準確識別出來（臉盲福音）：

如果人物視角出現變化，也能準確識別：

不僅如此，在人臉被大面積遮擋時，也能準確地識別出來：

至于陰影和光照也不在話下，哪怕站在樹蔭里，也能被AI“偵測”：

效果完全不輸現有的真實人臉識別。

那么，這樣的技術是怎么做出來的呢？

結合真人數據，訓練卡通人臉識別

團隊提出了一種卡通和真人的多人物訓練框架，主要包括分類損失函數、未知身份拒絕損失函數和域遷移損失函數三部分，如下圖所示。

其中，分類損失函數主要用來對卡通臉和真人臉進行分類。

而未知身份拒絕損失函數，則是為了在不同域之間進行無監(jiān)督正則化投影。

至于域遷移損失函數，目的是降低卡通和真人域之間的差異性，對他們的相關性進行約束。

針對這個框架，研究者們探討了三個問題：哪種算法最好？人臉識別是否有助于卡通識別？上下文信息對卡通識別是否有用？

從實驗結果來看，ArcFace+FL的效果最佳，所以此次團隊選用了這個算法。

至于后兩個問題的答案，也是肯定的。

從下圖的藍線來看，加上真人人臉識別的信息后，對于卡通檢測的識別同樣有幫助。

至于上下文信息，團隊也做了實驗，下圖是算法在卡通人臉基礎上擴充不同比例下的性能識別。實驗證明，上下文信息越豐富，人臉識別的效果也會更好。

事實上，動物角色訓練出來的特征樣本，相比于人臉來說，還是有點詭異。

下圖中分別是原圖和對應的特征樣本，相比于動漫男生和女生，虹貓的特征顯得有點……不可捉摸。

不過這也說明，一個標準、大型的動漫人臉數據集是有必要的。

標注數據，只需要一步

為了減少人工標注的工作量，研究者們設計了一種半自動數據集構建框架，用于構建iCartoonFace數據集。

如下圖，這個框架可以分為三個階段：

首先，對數據進行分層收集。先獲取卡通圖片信息，包括專輯和人物名稱，再獲取卡通人物圖片，使得數據集結構非常清晰。

其次，對數據進行過濾。利用卡通人臉檢測、特征提取器和特征聚類等，對圖片數據進行噪聲過濾。

其中，特征提取器的性能會發(fā)生變化：隨著標注數據的增多，性能不斷增強。

最后，標注人員只需要做一個步驟：根據特征聚類的結果，回答兩張圖片是否是同一個人物。

目前最大的卡通人物標注數據集

事實上，目前已有大量針對真人的人臉識別的技術和算法。

然而，針對二次元人臉識別的數據集依舊少之又少，大多數數據集存在著噪音比例大、數據量小的問題。

但這樣的需求的確存在，不局限于對視頻的結構化分析，還能應用于圖片搜索、廣告識別等場景。

例如，給創(chuàng)作者提供智能剪輯、或者是對惡搞的諷刺漫畫、卡通風格人物進行審核辨識。

針對這個現象，愛奇藝開放了目前全球最大的手工標注卡通人物檢測數據集與識別數據集iCartoonFace，包含超過5000個卡通人物、40萬張以上的高質量實景圖片。

下圖是iCartoonFace與其他已有動漫數據集的對比，基于這個數據集設計框架，可以有效地提高卡通人物識別性能。

說不定，真能讓廣大觀眾對動漫角色“不再臉盲”。