用于高性价比渐进式人脸辨识的主动自步学习
计算机视觉与模式识别
2017-07-04 v2
摘要
本文旨在开发一种新颖的高性价比人脸辨识框架，其随着不同个体人脸图像的增加逐步维护一批分类器。通过自然结合两种近期兴起的技术：主动学习（AL）和自步学习（SPL），我们的框架能够在弱专家再认证下自动标注新实例并将其纳入训练。我们首先使用每个个体的少量标注样本初始化分类器，并利用卷积神经网络提取图像特征。然后，从未标注样本中选择若干候选用于分类器更新，其中我们应用当前分类器按预测置信度对样本排序。特别地，我们的方法分别以自步方式和主动用户查询方式利用高置信度和低置信度样本。随后基于更新后的分类器对神经网络进行微调。这种启发式实现被表述为求解一个简洁的主动SPL优化问题，这也通过补充合理的动态课程约束推进了SPL发展。新模型很好地符合人类教育中的“教师-学生-协作”学习模式。该框架的优势有两方面：i）所需标注样本数量显著减少，同时保证可比性能。与其他最先进的主动学习技术相比也大幅降低了用户工作量。ii）SPL和AL的混合不仅有效提高了相较于现有AL/SPL方法的分类器精度，也提高了对噪声数据的鲁棒性。我们在两个具有挑战性的数据集上评估了框架，并展示了非常有前景的结果。(http://hcp.sysu.edu.cn/projects/aspl/)
引用
@article{arxiv.1701.03555,
title = {Active Self-Paced Learning for Cost-Effective and Progressive Face Identification},
author = {Liang Lin and Keze Wang and Deyu Meng and Wangmeng Zuo and Lei Zhang},
journal= {arXiv preprint arXiv:1701.03555},
year = {2017}
}
备注
To appear in IEEE Transactions on Pattern Analysis and Machine Intelligence 2017