通过分布蒸馏损失从困难样本改进人脸识别
计算机视觉与模式识别
2020-07-21 v3
摘要
人脸的大幅变化是人脸识别中的主要挑战。为此，先前针对特定变化的方法充分利用任务相关先验来设计特殊的网络损失，这些方法在不同任务和场景中通常不具备通用性。相反，现有通用方法侧重于提升特征判别性以最小化类内距离同时最大化类间距离，其在简单样本上表现良好但在困难样本上失效。为改进通用任务中这些困难样本的性能，我们提出一种新颖的分布蒸馏损失来缩小简单与困难样本间的性能差距，该方法对各类人脸变化简单、有效且通用。具体而言，我们首先采用 ArcFace 等最先进分类器构建两个相似度分布：来自简单样本的教师分布与来自困难样本的学生分布。然后，我们提出一种新颖的分布驱动损失来约束学生分布逼近教师分布，从而使学生分布中正样本对与负样本对的重叠更小。我们在通用大规模人脸基准以及包含种族、分辨率和姿态多样变化的基准上进行了广泛实验。定量结果证明了我们的方法相对于 ArcFace 和 Cosface 等强基线的优越性。
引用
@article{arxiv.2002.03662,
title = {Improving Face Recognition from Hard Samples via Distribution Distillation Loss},
author = {Yuge Huang and Pengcheng Shen and Ying Tai and Shaoxin Li and Xiaoming Liu and Jilin Li and Feiyue Huang and Rongrong Ji},
journal= {arXiv preprint arXiv:2002.03662},
year = {2020}
}
备注
ECCV2020