Face-NMS：一种用于高效人脸识别的核心集选择方法
计算机视觉与模式识别
2021-09-13 v1
摘要
近年来，自然场景下的人脸识别取得了显著成功，其关键引擎之一是训练数据规模的不断增长。例如，最大的人脸数据集 WebFace42M 包含约 200 万个身份和 4200 万张人脸。然而，海量人脸给训练时间、计算资源和内存开销带来了限制。目前针对该问题的研究主要集中在设计高效的 Fully-connected 层（FC），以减少由大量身份引起的 GPU 内存消耗。在这项工作中，我们通过解决由贪婪收集操作导致的最新人脸数据集冗余问题（即核心集选择视角），来缓解这些限制。作为在该视角下针对人脸识别问题的首次尝试，我们发现现有方法在性能和效率上都存在局限。为实现更优的成本效益，我们提出了一种名为 Face-NMS 的新型过滤策略。Face-NMS 在特征空间上运作，并在生成核心集时同时考虑局部和全局稀疏性。在实践中，Face-NMS 类似于目标检测领域中的 Non-Maximum Suppression（NMS）。它根据人脸对整体稀疏性的潜在贡献对其进行排序，并为了局部稀疏性滤除高相似性对中多余的人脸。在效率方面，Face-NMS 通过在训练代理模型时应用一个更小但充足的代理数据集来加速整个流程。最终，借助 Face-NMS，我们成功将 WebFace42M 数据集缩减至 60%，同时保持了其在主要基准上的性能，节省了 40% 的资源并实现了 1.64 倍的加速。代码已在 https://github.com/HuangJunJie2017/Face-NMS 公开供参考。
引用
@article{arxiv.2109.04698,
title = {Face-NMS: A Core-set Selection Approach for Efficient Face Recognition},
author = {Yunze Chen and Junjie Huang and Jiagang Zhu and Zheng Zhu and Tian Yang and Guan Huang and Dalong Du},
journal= {arXiv preprint arXiv:2109.04698},
year = {2021}
}
备注
Data efficient face recognition; Core-set selection