深度度量嵌入中的特征表示
计算机视觉与模式识别
2023-04-03 v2
摘要
在深度度量学习（DML）中，高层输入数据被表示为低层表示（嵌入）空间，使得同一类别的样本映射在一起，而不同类别的样本映射得更远。在这种低层表示中，只需要每个已知类别的一个推理样本即可准确区分类别。DML模型用于区分类别的特征以及每个特征在训练过程中的重要性是未知的。为了研究这一点，本研究采用训练用于区分人脸（身份）的嵌入，并使用无监督聚类来识别参与面部身份区分的特征，通过检查它们在嵌入空间中的表示。本研究分为两种情况：类内子区分，考虑单个身份内不同的属性，如胡须和情绪；以及类间子区分，考虑不同身份/人之间不同的属性，如性别、肤色和年龄。在类内场景中，推理过程区分单个身份之间的共同属性，对胡须和眼镜的准确率分别达到90.0%和76.0%。该系统还可以以高准确率进行类间子区分，特别是性别、肤色和年龄分别达到99.3%、99.3%和94.1%。
引用
@article{arxiv.2102.03176,
title = {Feature Representation in Deep Metric Embeddings},
author = {Ryan Furlong and Vincent O'Brien and James Garland and Daniel Palacios-Alonso and Francisco Dominguez-Mateos},
journal= {arXiv preprint arXiv:2102.03176},
year = {2023}
}