一种面向超大规模人脸识别的高效训练方法
计算机视觉与模式识别
2022-03-04 v5
摘要
在深度学习时代，得益于超大规模且标注良好的数据集，人脸识别取得了显著进展。然而，在超大尺寸数据集上训练耗时且占用大量硬件资源。因此，设计一种高效的训练方法必不可少。巨大的计算和内存开销主要源于全连接（FC）层百万级的维度。为此，我们提出一种称为Faster Face Classification（F2C）的新颖训练方法，在不牺牲性能的前提下缓解时间与成本压力。该方法采用动态类别池（DCP）动态存储和更新身份特征，可视为FC层的替代。DCP因其较小规模且与整个人脸身份无关，具有显著的时间和成本节省优势。我们进一步在多个公开人脸基准与私有数据集上验证了所提F2C方法，展示了可比的结果，同时在识别精度与硬件成本方面速度快于最先进的基于FC的方法。此外，我们的方法通过精心设计的双数据加载器（包括基于身份与基于实例的加载器）得到进一步提升，使其更新DCP参数更为高效。
引用
@article{arxiv.2105.10375,
title = {An Efficient Training Approach for Very Large Scale Face Recognition},
author = {Kai Wang and Shuo Wang and Panpan Zhang and Zhipeng Zhou and Zheng Zhu and Xiaobo Wang and Xiaojiang Peng and Baigui Sun and Hao Li and Yang You},
journal= {arXiv preprint arXiv:2105.10375},
year = {2022}
}
备注
This paper has been accepted by CVPR2022!