提升人脸模型的身份鲁棒性

尽管深度学习模型在许多任务中取得成功，但人们一直担忧此类模型学习捷径，且对无关混杂因素缺乏鲁棒性。对于直接在人脸之上训练的模型，一个敏感的混杂因素是人脸身份。许多与人脸相关的任务理想上应独立于身份，并在不同个体间表现一致（即公平）。一种衡量并强化此类鲁棒性与表现一致性的方法是在训练期间加以强制，前提是身份相关信息可大规模获取。然而，由于隐私顾虑及收集此类信息的成本，情况往往并非如此，大多数人脸数据集仅含输入图像及其对应任务相关标签。因此，无需此类标注即可提升身份相关鲁棒性至关重要。本文中，我们探索使用人脸识别嵌入向量作为身份的代理来强化此类鲁棒性。我们提议利用人脸识别嵌入空间中的结构，隐式地强调每个类别中的稀有样本。具体做法是根据样本在代理嵌入空间中的条件逆密度（CID）进行加权。我们的实验表明，这种简单的样本加权方案不仅提升了训练鲁棒性，且常因该鲁棒性而改善整体性能。我们还展示，训练时采用此类约束所得的模型对数据集中不同程度的偏差显著更不敏感。