一种用于人脸聚类的基于链接的双重不平衡图学习框架
计算机视觉与模式识别
2023-01-02 v3
摘要
近年来，得益于图卷积网络（GCNs）的表达能力，人脸聚类领域取得了显著突破。然而，鲜有关注于基于 GCN 在不平衡数据上的聚类。尽管不平衡问题已被广泛研究，但不平衡数据对基于 GCN 的链接预测任务的影响截然不同，这将导致两方面问题：不平衡的链接标签与有偏的图表示。前者类似于经典图像分类任务中的情况，但后者是基于链接预测的 GCN 聚类中的一个特有问题。训练中有显著偏差的图表示会导致 GCN 模型的灾难性过拟合。为应对这些挑战，我们提出了一种用于人脸聚类的基于链接的双重不平衡图学习框架。在该框架中，我们评估了现有不平衡图像分类方法在 GCN 上的可行性，并提出了一种新方法，利用反向不平衡加权采样（RIWS）策略来缓解不平衡标签并增强图表示。借助 RIWS 策略，基于概率的类别平衡权重可确保正负样本的整体分布；此外，加权随机采样提供了多样的子图结构，有效缓解了过拟合问题并提升了 GCN 的表示能力。在由 MS-Celeb-1M 和 DeepFashion 合成的一系列不平衡基准数据集上的大量实验证明了我们所提方法的有效性与通用性。我们的实现与合成数据集将在 https://github.com/espectre/GCNs_on_imbalanced_datasets 公开可用。
引用
@article{arxiv.2107.02477,
title = {A Linkage-based Doubly Imbalanced Graph Learning Framework for Face Clustering},
author = {Huafeng Yang and Qijie Shen and Xingjian Chen and Fangyi Zhang and Rong Du},
journal= {arXiv preprint arXiv:2107.02477},
year = {2023}
}
备注
9 pages, accepted by SIAM International Conference on Data Mining (SDM) 2023