通过聚类无标注自然场景人脸提升人脸识别性能
计算机视觉与模式识别
2020-07-16 v2
摘要
尽管深度人脸识别已从大规模标注数据中显著受益，当前研究聚焦于利用无标注数据进一步提升性能，以降低人工标注成本。先前工作大多处于受控设定中，其中标注与无标注数据集按构造不含重叠身份。这在大规模人脸识别中并不现实，因为必须应对此类重叠，且其频率随数据量增大而增加。忽略身份重叠会导致显著的标注噪声，因为同一身份的数据被拆分到多个簇中。为此，我们提出一种基于极值理论的身份分离新方法。该方法被构建为离群分布检测算法，大幅减少了重叠身份标注噪声所引起的问题。将簇分配视为伪标签，我们还必须克服由聚类错误带来的标注噪声。我们提出对余弦损失的调制，其中调制权重对应于聚类不确定性的估计。在受控与真实设定下的大量实验表明，我们的方法相较监督基线取得一致提升，例如在 IJB-A 验证上提升 11.6%。
引用
@article{arxiv.2007.06995,
title = {Improving Face Recognition by Clustering Unlabeled Faces in the Wild},
author = {Aruni RoyChowdhury and Xiang Yu and Kihyuk Sohn and Erik Learned-Miller and Manmohan Chandraker},
journal= {arXiv preprint arXiv:2007.06995},
year = {2020}
}
备注
ECCV 2020