利用对抗信息网络的自适应人脸识别

在许多真实应用中，当训练数据（称为源域）与测试数据（称为目标域）不同时，人脸识别模型往往性能退化。为缓解由姿态、肤色等因素引起的这种不匹配，在无监督域适应中利用聚类算法生成的伪标签是一种有效方式。然而，它们总是遗漏一些困难正样本。对伪标签样本的监督将其吸引向各自原型，并会导致目标域内伪标签样本与剩余未标签样本之间的域内差距，从而造成人脸识别判别力的缺乏。本文考虑到人脸识别的特殊性，提出一种新颖的对抗信息网络（AIN）来解决该问题。首先，提出一种新颖的对抗互信息（MI）损失，交替地相对于目标分类器最小化 MI、相对于特征提取器最大化 MI。通过这种极小极大方式，目标原型的位置被自适应修改，使未标签图像更易聚类，从而缓解域内差距。其次，为辅助对抗 MI 损失，我们利用图卷积网络预测目标数据间的连接似然并生成伪标签。它利用了节点上下文中的有价值信息，可取得更可靠的结果。所提方法在两种场景下评测，即跨姿态与图像条件的域适应，以及跨不同肤色人脸的域适应。大量实验表明 AIN 成功提升了跨域泛化能力，并在 RFW 数据集上取得新的 SOTA。