Ada-NETS：通过结构空间中自适应邻域发现进行人脸聚类
计算机视觉与模式识别
2022-10-11 v3
摘要
近年来，人脸聚类因可利用网络上海量人脸图像而受到日益增多的研究关注。图卷积网络（GCN）凭借其强大的表示能力取得了最先进的性能。然而，现有基于GCN的方法主要在特征空间中根据kNN关系构建人脸图，这可能导致大量连接不同类别两张人脸的噪声边。当消息沿这些噪声边传递时，人脸特征会被污染，从而降低GCN的性能。本文提出一种名为Ada-NETS的新算法，通过为GCN构建干净图来聚类人脸。在Ada-NETS中，每张人脸被变换到一个新的结构空间，通过考虑邻域图像的人脸特征获得鲁棒特征。随后，提出一种自适应邻域发现策略，以确定连接到每张人脸图像的合适边数。该策略在显著减少噪声边的同时保留优质边，从而为GCN构建具有干净且丰富边的图以进行人脸聚类。在多个公开聚类数据集上的实验表明，Ada-NETS显著优于当前最先进方法，证明了其优越性与泛化能力。代码见 https://github.com/damo-cv/Ada-NETS。
引用
@article{arxiv.2202.03800,
title = {Ada-NETS: Face Clustering via Adaptive Neighbour Discovery in the Structure Space},
author = {Yaohua Wang and Yaobin Zhang and Fangyi Zhang and Ming Lin and YuQi Zhang and Senzhang Wang and Xiuyu Sun},
journal= {arXiv preprint arXiv:2202.03800},
year = {2022}
}
备注
Accepted by the ICLR 2022. Homepage: https://thomas-wyh.github.io/