面向人脸识别的联邦无监督域适应
计算机视觉与模式识别
2022-04-12 v1 人工智能
分布式、并行与集群计算
摘要
给定源域中的标注数据,无监督域适应已被广泛采用以将模型泛化到数据分布不同的目标域中的未标注数据。然而,现有工作不适用于隐私约束下的人脸识别,因为它们需要在域间共享敏感人脸图像。为解决该问题,我们提出面向人脸识别的联邦无监督域适应,FedFR。FedFR联合优化基于聚类的域适应与联邦学习以提升目标域性能。具体而言,针对目标域中的未标注数据,我们增强聚类算法并加入距离约束以提高预测伪标签的质量。此外,我们提出一种新的域约束损失(DCL)以正则化联邦学习中的源域训练。在新构建的基准上的大量实验表明,FedFR在不同评估指标上比基线和经典方法在目标域上高出3%至14%。
引用
@article{arxiv.2204.04382,
title = {Federated Unsupervised Domain Adaptation for Face Recognition},
author = {Weiming Zhuang and Xin Gan and Yonggang Wen and Xuesen Zhang and Shuai Zhang and Shuai Yi},
journal= {arXiv preprint arXiv:2204.04382},
year = {2022}
}
备注
ICME'22. arXiv admin note: substantial text overlap with arXiv:2105.07606