利用辅助无标签数据提升无约束人脸识别
计算机视觉与模式识别
2021-04-20 v2
摘要
近年来，人脸识别取得了显著进展，这部分归因于大规模有标签人脸数据集的可获得性。然而，由于这些人脸数据集中的人脸通常包含有限程度和类型的变异，所训练出的模型在更真实的未约束人脸数据集上泛化能力较差。虽然收集具有更大变异的有标签人脸可能有所帮助，但由于隐私和人工成本，这在实践中不可行。相比之下，从不同领域获取大量无标签人脸更为容易，这些人脸可用于正则化人脸表征的学习。我们提出了一种利用此类无标签人脸学习可泛化人脸表征的方法，其中我们假设既无法访问无标签图像的身份标签，也无法访问领域标签。在无约束数据集上的实验结果表明，少量具有足够多样性的无标签数据可以 (i) 带来可观的识别性能提升，且 (ii) 当与不到一半的有标签数据结合时，优于有监督基线。与最先进的人脸识别方法相比，我们的方法在具有挑战性的基准（如 IJB-B、IJB-C 和 IJB-S）上进一步提升了它们的性能。
引用
@article{arxiv.2003.07936,
title = {Boosting Unconstrained Face Recognition with Auxiliary Unlabeled Data},
author = {Yichun Shi and Anil K. Jain},
journal= {arXiv preprint arXiv:2003.07936},
year = {2021}
}