基于样本级加权的深度提升多模态集成人脸识别
计算机视觉与模式识别
2023-08-21 v1
摘要
深度卷积神经网络在人脸识别（FR）中取得了显著成功，部分得益于丰富的数据可用性。然而，当前训练基准呈现出不平衡的质量分布；多数图像为高质量。这给困难样本上的泛化带来问题，因其在训练中代表性不足。本工作中，我们采用多模型提升技术来处理该问题。受知名 AdaBoost 启发，我们提出一种样本级加权方法，将不同样本的重要性纳入 FR 损失。所提框架中的各个模型分别是不同难度级别样本的专家。因此，模型组合产生了鲁棒的特征提取器，且不损失在简单样本上的判别性。此外，为将样本难度纳入训练准则，我们分析性地展示了样本挖掘对当前角度间隔损失函数的关键方面（即间隔与尺度）的影响。所提方法在 CFP-FP、LFW、CPLFW、CALFW、AgeDB、TinyFace、IJB-B 与 IJB-C 评估数据集的大量实验中，与最先进算法相比展现出更优性能。
引用
@article{arxiv.2308.09234,
title = {Deep Boosting Multi-Modal Ensemble Face Recognition with Sample-Level Weighting},
author = {Sahar Rahimi Malakshan and Mohammad Saeed Ebrahimi Saadabadi and Nima Najafzadeh and Nasser M. Nasrabadi},
journal= {arXiv preprint arXiv:2308.09234},
year = {2023}
}
备注
2023 IEEE International Joint Conference on Biometrics (IJCB)