面向人脸识别与属性预测的深度不平衡学习
计算机视觉与模式识别
2019-05-01 v2
摘要
用于人脸分析的数据通常表现出高度倾斜的类别分布，即大多数数据属于少数几个多数类，而少数类仅包含极少量样本。为缓解此问题，当代深度学习方法通常遵循经典策略，如类别重采样或代价敏感训练。本文进行了广泛而系统的实验，以验证这些经典方案在类不平衡数据上表示学习的有效性。我们进一步证明，通过强制深度网络在类内和类间保持簇间间隔，可以学习到更具判别性的深度表示。这一紧约束有效减少了局部数据邻域中固有的类不平衡，从而在局部刻画出更为均衡的类别边界。我们表明，在超球面流形上于簇分布之间部署角间隔是容易的。这种学习到的基于簇的大间隔局部嵌入（Cluster-based Large Margin Local Embedding, CLMLE），当与简单的k近邻簇算法结合时，在表现出不平衡类别分布的人脸识别和人脸属性预测任务上，相对于现有方法在准确率上均有显著提升。
引用
@article{arxiv.1806.00194,
title = {Deep Imbalanced Learning for Face Recognition and Attribute Prediction},
author = {Chen Huang and Yining Li and Chen Change Loy and Xiaoou Tang},
journal= {arXiv preprint arXiv:1806.00194},
year = {2019}
}
备注
14 pages, 10 figures, 8 tables. Accepted to TPAMI