Модель DCNN специализируется на верификации лиц в «диких» условиях, успешно справляясь с плохим освещением и сложными ракурсами. Этот ИИ использует глубокие сверточные признаки для точной идентификации личностей, обходя классические алгоритмы компьютерного зрения.
In this paper, we present an algorithm for unconstrained face verification based on deep convolutional features and evaluate it on the newly released IARPA Janus Benchmark A (IJB-A) dataset. The IJB-A dataset includes real-world unconstrained faces from 500 subjects with full pose and illumination variations which are much harder than the traditional Labeled Face in the Wild (LFW) and Youtube Face (YTF) datasets. The deep convolutional neural network (DCNN) is trained using the CASIA-WebFace dataset. Extensive experiments on the IJB-A dataset are provided.