CRAFT：用于人脸识别训练的特征滤波器上下文重激活
计算机视觉与模式识别
2023-12-06 v2
摘要
深度CNN主干的第一层对图像施加滤波器以提取后续层可用的基本特征。在训练期间，某些滤波器可能变为非激活状态，即滤波器中的所有权重趋近于零。最终模型中的非激活滤波器代表了提取有用特征的错失机会。这种现象在专用CNN中尤为普遍，例如人脸识别（相对于ImageNet等）。例如，在最广泛使用的人脸识别模型（ArcFace）中，第一层约有一半的卷积滤波器处于非激活状态。我们提出了一种专为人脸识别网络设计并测试的新方法，称为“CRAFT：用于人脸识别训练的滤波器上下文重激活”。CRAFT在训练期间识别非激活滤波器，并基于该训练阶段强滤波器的上下文对其进行重新初始化。我们表明，CRAFT将非激活滤波器的比例从平均44%降至32%，并发现了标准训练未发现的滤波器模式。与无重激活的标准训练相比，CRAFT在标准人脸识别基准数据集（包括AgeDB-30、CPLFW、LFW、CALFW和CFP-FP）以及更具挑战性的数据集（如IJBB和IJBC）上均展现出增强的模型精度。
引用
@article{arxiv.2312.00072,
title = {CRAFT: Contextual Re-Activation of Filters for face recognition Training},
author = {Aman Bhatta and Domingo Mery and Haiyu Wu and Kevin W. Bowyer},
journal= {arXiv preprint arXiv:2312.00072},
year = {2023}
}