BoundaryFace：一种面向人脸识别的带噪声标签自纠正的挖掘框架
计算机视觉与模式识别
2022-10-11 v1
摘要
近年来，由于损失函数的进步和训练集规模的爆炸式增长，人脸识别取得了巨大进展。合理设计的损失函数被视为提取判别性特征用于分类的关键。已有若干基于间隔的损失被提出作为人脸识别中softmax损失的替代方案。然而，仍有两方面问题需要考虑：1）它们忽视了困难样本挖掘对于判别性学习的重要性。2）大规模数据集中普遍存在的标签噪声会严重损害模型性能。本文从决策边界的视角出发，提出一种新颖的挖掘框架，关注样本的真实类别中心与其最近负类中心之间的关系。具体而言，提出了一种闭集噪声标签自纠正模块，使该框架能在含有大量标签噪声的数据集上良好工作。所提方法在各种人脸识别基准上持续优于SOTA方法。训练代码已发布于 https://github.com/SWJTU-3DVision/BoundaryFace。
引用
@article{arxiv.2210.04567,
title = {BoundaryFace: A mining framework with noise label self-correction for Face Recognition},
author = {Shijie Wu and Xun Gong},
journal= {arXiv preprint arXiv:2210.04567},
year = {2022}
}
备注
ECCV 2022. Code available at https://github.com/SWJTU-3DVision/BoundaryFace