FedFR：面向通用与个性化人脸识别的联合优化联邦框架
计算机视觉与模式识别
2022-03-22 v3 人工智能
摘要
当前最先进的基于深度学习的面部识别（FR）模型需要大量人脸身份进行集中训练。然而，随着隐私意识的增强，禁止访问用户设备上的面部图像以持续改进面部识别模型。联邦学习（FL）是一种解决隐私问题的技术，它能在不共享客户端间数据的情况下协同优化模型。在本工作中，我们提出一种名为 FedFR 的基于 FL 的框架，以隐私感知的方式改进通用人脸表征。此外，该框架通过所提出的解耦特征定制模块为相应客户端联合优化个性化模型。客户端特定的个性化模型可服务于本地设备上已注册身份优化人脸识别体验的需求。据我们所知，我们首次探索了 FL 设定下的个性化人脸识别。所提框架在多种通用与个性化人脸识别基准及多样 FL 场景下被验证优于先前方法。所提源代码及我们在 FL 设定下提出的个性化 FR 基准可见于 https://github.com/jackie840129/FedFR。
引用
@article{arxiv.2112.12496,
title = {FedFR: Joint Optimization Federated Framework for Generic and Personalized Face Recognition},
author = {Chih-Ting Liu and Chien-Yi Wang and Shao-Yi Chien and Shang-Hong Lai},
journal= {arXiv preprint arXiv:2112.12496},
year = {2022}
}
备注
This paper was accepted by AAAI 2022 Conference on Artificial Intelligence and selected as an oral paper