面向数据不充足深度人脸识别的特征迁移学习
计算机视觉与模式识别
2019-08-20 v2
摘要
尽管人脸识别数据集规模庞大，但仍有很大一部分主体的样本不足，因此表示不充分。忽略这一重要部分会导致训练数据不足。使用表示不充分的数据进行训练会在传统训练的深度网络中导致有偏的分类器。在本文中，我们提出了一种基于中心的特征迁移框架，从具有足够多样化样本的常规主体中增强表示不充分的主体的特征空间。假设所有主体的方差具有高斯先验，并将常规主体的方差迁移给表示不充分的主体。这鼓励表示不充分的分布更接近常规分布。此外，提出了一种交替训练方案，以同时实现偏差较小的分类器和更具判别性的特征表示。我们通过在 MS-Celeb-1M 数据集上改变表示不充分类别的比例来进行消融研究，以模拟表示不充分的数据集。在 LFW、IJB-A 和 MS-Celeb-1M 上的优势结果证明了与一般基线和 SOTA 方法相比，我们的特征迁移和训练策略的有效性。此外，我们的特征迁移成功地呈现出平滑的视觉插值，该插值进行了解耦，以在用非身份变化（如姿态和光照）增强其特征空间的同时保留类的身份。
引用
@article{arxiv.1803.09014,
title = {Feature Transfer Learning for Deep Face Recognition with Under-Represented Data},
author = {Xi Yin and Xiang Yu and Kihyuk Sohn and Xiaoming Liu and Manmohan Chandraker},
journal= {arXiv preprint arXiv:1803.09014},
year = {2019}
}
备注
CVPR2019