基于类内自监督学习的面向人脸识别的联邦学习
计算机视觉与模式识别
2024-07-24 v1 人工智能
机器学习
摘要
联邦学习人脸识别通过聚合来自各个客户端的本地优化模型，以构建通用的人脸识别模型。然而，先前的研究存在两个主要挑战：一是未充分融合自监督学习，二是需要客户端适应多主题。为克服这些限制，我们提出了FedFS框架（Federated Learning for personalized Face recognition via intra-subject Self-supervised learning），即一种专为训练无需适应主题的个性化人脸识别模型而设计的新型联邦学习架构。我们的FedFS由两个关键组件构成，这些组件利用本地模型和全局模型的聚合特征，以协作来自离线模型的表示。这两个组件是：（1）自适应软标签构建，利用点积运算重新格式化类内实例的标签；（2）类内自监督学习，采用余弦相似度运算以强化稳健的类内表示。此外，我们引入了正则化损失，以防止过拟合并确保优化模型的稳定性。为评估FedFS的有效性，我们在DigiFace-1M和VGGFace数据集上进行了全面实验，结果表明其优于先前方法。
引用
@article{arxiv.2407.16289,
title = {Federated Learning for Face Recognition via Intra-subject Self-supervised Learning},
author = {Hansol Kim and Hoyeol Choi and Youngjun Kwak},
journal= {arXiv preprint arXiv:2407.16289},
year = {2024}
}
备注
Accepted at the The 35th British Machine Vision Conference 2024 (BMVC 2024), Glasgow, UK. Youngjun Kwak is corresponding author