用于鲁棒快速人脸辨识的库数据采样
计算机视觉与模式识别
2023-05-15 v1 人工智能
机器学习
摘要
深度学习方法在人脸识别中已取得卓越成果。提升性能的一项重要任务是尽可能多地采集并标注图像。然而，标注身份与检查海量图像数据质量是一项困难任务，且在处理大规模数据时错误难以避免。先前的工作仅试图在训练域中应对该问题，但若错误存在于人脸辨识的库（gallery）数据中，则会导致更严重的问题。我们提出了库数据采样方法，其对包含错标、低质量和低信息量图像的离群点具有鲁棒性，并能减少搜索时间。所提出的采样-by-剪枝与采样-by-生成方法，在我们包含 540 万张网络名人图像的数据集上显著提升了人脸辨识性能。所提方法在 FPIR=0.01 下取得了 0.0975 的 FNIR，而常规方法为 0.3891。每个个体库的平均特征向量数从 115.9 降至 17.1，可提供更快速的搜索。我们还在公开数据集上进行了实验，在 CASIA-WebFace 与 MS1MV2 上，所提方法在 FPIR=0.01 下分别取得 0.1314 与 0.0668 的 FNIR，而常规方法分别为 0.5446 与 0.1327。
引用
@article{arxiv.2305.07495,
title = {Gallery Sampling for Robust and Fast Face Identification},
author = {Myung-cheol Roh and Pyoung-gang Lim and Jongju Shin},
journal= {arXiv preprint arXiv:2305.07495},
year = {2023}
}