提升半监督人脸识别的噪声鲁棒性
计算机视觉与模式识别
2021-05-11 v1
摘要
尽管深度人脸识别从大规模训练数据中显著受益，当前的瓶颈在于标注成本。该问题的可行解为半监督学习，利用少量标注数据与大量未标注数据。然而主要挑战在于自动标注带来的标签错误累积，损害训练。本文提出一种对自动标注引发的标签噪声鲁棒的半监督人脸识别有效方案。具体而言，我们引入一种多智能体方法，名为 GroupNet（GN），使我们的方案具备识别错标样本并保留干净样本的能力。我们表明，即便噪声标签占据训练数据 50% 以上，GN 单独在传统监督人脸识别中亦取得领先精度。进一步，我们开发了基于 GN 所赋鲁棒训练能力的半监督人脸识别方案，名为噪声鲁棒学习–标注（NRoLL）。它从少量标注数据起步，进而对大量未标注数据执行高置信度标注以助推后续训练。NRoLL 标注的数据越多，数据集中标签的置信度越高。为评估方法的竞争力，我们在仅五分之一标注 MSCeleb 可用、其余作为未标注数据的粗略条件下运行 NRoLL。在广泛基准上，我们的方法优于当前最优（SOTA）方法。
引用
@article{arxiv.2105.04431,
title = {Boosting Semi-Supervised Face Recognition with Noise Robustness},
author = {Yuchi Liu and Hailin Shi and Hang Du and Rui Zhu and Jun Wang and Liang Zheng and Tao Mei},
journal= {arXiv preprint arXiv:2105.04431},
year = {2021}
}