DAIL：面向人脸识别的数据集感知与不变学习
计算机视觉与模式识别
2021-01-15 v1
摘要
为在人脸识别中取得良好性能，通常需要大规模训练数据集。一种简单而有效的方法是通过在训练中组合多个数据集来使用尽可能大的数据集。然而，由于两个主要问题，朴素地组合不同数据集是有问题且麻烦的。首先，同一个人可能出现在不同数据集中，导致不同数据集之间的身份重叠问题。在训练中朴素地将同一个人视为不同数据集中的不同类别会影响反向传播并生成非代表性的嵌入。另一方面，人工清理标签可能需要巨大的人力，尤其在拥有数百万图像和数千身份时。其次，不同数据集在不同情形下采集，因而会导致不同的域分布。朴素地组合数据集将使学习跨不同数据集的域不变嵌入变得困难。在本文中，我们提出 DAIL：数据集感知与不变学习，以解决上述问题。为解决身份重叠的第一问题，我们提出一种用于多数据集训练的数据集感知损失，通过在同一人出现在多个数据集时减小惩罚。这可通过带数据集感知项的改进 softmax 损失轻易实现。为解决第二问题，采用带梯度反转层的域自适应进行数据集不变学习。所提方法不仅在数个常用人脸识别验证集（包括 LFW、CFP-FP 和 AgeDB-30）上取得最先进结果，还展现出实际使用的巨大益处。
引用
@article{arxiv.2101.05419,
title = {DAIL: Dataset-Aware and Invariant Learning for Face Recognition},
author = {Gaoang Wang and Lin Chen and Tianqiang Liu and Mingwei He and Jiebo Luo},
journal= {arXiv preprint arXiv:2101.05419},
year = {2021}
}