面向野外大规模人脸识别的动态类队列
计算机视觉与模式识别
2021-05-25 v1
摘要
利用野外大规模人脸数据集学习判别性表示对实际应用至关重要，但仍具挑战性。困难体现在多方面，本工作聚焦于计算资源约束与长尾类分布。近来，基于深度神经网络与精心设计的损失的分类式表示学习已展现出良好的识别性能。然而，计算与内存开销随训练集中身份（类）数线性增长，且学习过程受类别不平衡影响。本工作中，我们提出动态类队列（DCQ）以解决这两个问题。具体而言，在训练的每个迭代中，动态选取一个用于识别的类子集，并将其类权重即时动态生成存于队列中。由于每轮仅选取类子集，计算需求得以降低。在使用单台无模型并行的服务器下，我们在大规模数据集上实证验证：选取10%的类即足以达到与使用全部类相近的性能。此外，类权重以少样本方式动态生成，因而适用于仅含少量样本的尾部类。我们在最大公开数据集Megaface Challenge2（MF2，含672K身份且其中超88%少于10个样本）上相较强基线取得明显提升。代码见https://github.com/bilylee/DCQ
引用
@article{arxiv.2105.11113,
title = {Dynamic Class Queue for Large Scale Face Recognition In the Wild},
author = {Bi Li and Teng Xi and Gang Zhang and Haocheng Feng and Junyu Han and Jingtuo Liu and Errui Ding and Wenyu Liu},
journal= {arXiv preprint arXiv:2105.11113},
year = {2021}
}
备注
Accepted in CVPR 2021