改善模型关注力提升基于深度学习的人造人脸检测器性能

基于深度学习的模型在将人类感知融入训练策略并引导其“看哪里”后，对未知数据样本具有更好的泛化能力。我们观察到，以此方式训练的模型显著图的熵，低于未融入人类感知智能训练的模型显著图熵。因此产生一个问题：通过降低模型类激活图的熵来进一步增强模型关注力，是否有助于进一步提升性能？本文提出并评估了若干基于熵的新损失函数分量以控制模型关注力，涵盖了从无任何控制到“激进”最小化的完整控制层级。我们利用人造人脸检测问题表明，通过降低熵来改善模型关注力，可得到在开放集场景下表现更优的模型，其中测试样本由未知的生成模型合成。我们还表明，当模型损失函数融合三个方面：常规分类、低熵的模型关注力以及人类引导的显著性时，可获得最优性能。