CLFace：面向终身人脸识别的可扩展且资源高效的持续学习框架
计算机视觉与模式识别
2024-11-22 v1
摘要
在实际应用中部署人脸识别（FR）算法的一个重要方面是其能够从连续数据流中学习新的人脸身份。然而，现有基于深度神经网络的FR算法在线训练面临两个主要挑战：（I）对Previously学习的身份的不可避免遗忘，（II）需要存储过去的数据以进行完整的重新训练，从而导致显著的存储限制和隐私 concerns。本文介绍了CLFace，一个旨在保存和逐步扩展已学习知识的持续学习框架。CLFace消除分类层，构建一个资源高效的FR模型，该模型在终身学习期间保持固定，并为学生模型提供无标签的监督，使其适用于在增量步骤中进行开放集人脸识别。我们引入一个目标函数，采用特征级蒸馏以减少学生模型和教师模型在多个阶段之间特征图之间的漂移。此外，还 incorporates 几何保持蒸馏方案，以维护教师模型特征嵌入的方向。进一步地，incorporates 对比知识蒸馏，以通过匹配新身份之间的相似性来持续增强特征表示的判别性。在多个基准FR数据集上的实验表明，CLFace 在使用in-domain和out-of-domain数据集对未见身份方面超越基线方法和最新方法。
引用
@article{arxiv.2411.13886,
title = {CLFace: A Scalable and Resource-Efficient Continual Learning Framework for Lifelong Face Recognition},
author = {Md Mahedi Hasan and Shoaib Meraj Sami and Nasser Nasrabadi},
journal= {arXiv preprint arXiv:2411.13886},
year = {2024}
}
备注
Accepted for publication in the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV 2025)