這項工作由騰訊 AI Lab 獨立完成，其目的是通過研發新的深度學習模型以提高跨年齡人臉識別的精度。

在這篇文章里，我們提出了一種正交深度特征分解算法 OE-CNNs，通過把深度特征正交分解為年齡分量和身份分量，從而將年齡分量和身份分量有效分離開，從而達到減少年齡差異、提高跨年齡人臉識別精度的目標。

我們在多個跨年齡人臉識別的國際評測基準（FG-NET, Morph Album 2, CACD-VS）中都取得了國際領先的性能，顯著提高了跨年齡人臉識別的精度。此外，我們還建立了一個新的跨年齡人臉數據庫 CAF 以幫助促進跨年齡人臉識別研究。

跨年齡人臉識別是人臉識別領域中的一個極具挑戰性的國際性難題。眾所周知，同一個人的不同年齡階段的圖片會有非常大的差異，這些差異會嚴重影響到跨年齡人臉識別的精度。迄今為止，深度學習已經被廣泛運用到人臉識別，并且取得了非常好的性能。但是，對于跨年齡人臉識別，問題，由于同一個人在不同年齡階段下的多張人臉之間存在著非常顯著的差異，這嚴重影響到現有的深度人臉識別模型的性能。為了克服這個巨大的年齡差異，在這篇文章里我們研發了一種新的深度學習算法，該算法把深度特征按照模長方向和角度方向（這兩個方向是彼此正交的）分別分解為年齡成分和身份成分，如下圖所示。

其中，年齡成分被分解成一維徑向分量，而身份成分則分解為高維角度分量。這兩種分量最后通過多任務學習的方式同時訓練，最終的損失函數是二者損失的算術疊加：

其中身份成分的損失函數

而年齡成分的損失函數

基于這種新的分解模型我們可以把人臉的年齡分量和身份分量有效分離開，并基于身份分量來做跨年齡人臉識別從而有效提高跨年齡人臉識別的精度。

為了進一步提高跨年齡人臉識別性能，我們還采集了一個面向跨年齡人臉識別的的新型人臉數據庫 CAF。我們通過在網上搜集名人在不同年齡段拍的照片，以保證這些訓練圖片有足夠大的年齡差異。我們的搜集的人名來源于公共的信息庫，比如 IMDB, Forbes Celebrity, Wikipedia 等。我們的 CAF 數據庫有 4,668 個不同的人和這些人的 313,000 張圖片。這個數據庫的樣例和統計分布如下圖所示。

實驗結果

在上表的 FG-NET 跨年齡人臉識別任務中，我們的新算法 OE-CNNs 取得了高達 53.26% 的第一識別率，比第二名的 38.21% 足足高了超過 15% 的識別率。

在上表的 Morph Album 2 識別任務中，我們的算法也穩定地高于其它所有的人臉算法。

在上表的對比實驗中，能明顯看出增加了我們新建立的 CAF 人臉數據做訓練后，對于上表中的所有人臉算法，它們的識別率都能顯著獲得提升，這證明了 CAF 對于跨年齡人臉識別研究的幫助和價值。