通过随机温度缩放改进人脸识别模型的训练与推理
计算机视觉与模式识别
2022-12-05 v1 人工智能
摘要
数据不确定性在人脸识别(FR)图像中普遍存在。然而，深度学习算法即使对于不确定或无关的输入也常以高置信度做出预测。直观上，FR算法可同时受益于不确定性估计与分布外(OOD)样本检测。从当前分类模型的概率视角看，温度标量恰为softmax函数中隐式添加的不确定性噪声的尺度。同时，数据集中图像的不确定性应遵循先验分布。基于该观察，本文提出一个用于不确定性建模与人脸识别的统一框架——随机温度缩放(RTS)，以学习可靠的FR算法。RTS的优势有两点：(1) 在训练阶段，它可调整干净样本与噪声样本的学习强度，以提升稳定性与准确率；(2) 在测试阶段，它可提供置信度分数以检测不确定、低质量乃至OOD样本，而无需在额外标签上训练。在FR基准上的大量实验表明，RTS中的方差大小作为OOD检测指标与输入图像的不确定性密切相关。RTS在FR与OOD检测任务上均可取得顶尖性能。此外，用RTS训练的模型能在含噪声的数据集上鲁棒地工作。所提模块轻量，仅给模型增加可忽略的计算开销。
引用
@article{arxiv.2212.01015,
title = {Improving Training and Inference of Face Recognition Models via Random Temperature Scaling},
author = {Lei Shang and Mouxiao Huang and Wu Shi and Yuchen Liu and Yang Liu and Fei Wang and Baigui Sun and Xuansong Xie and Yu Qiao},
journal= {arXiv preprint arXiv:2212.01015},
year = {2022}
}
备注
AAAI 2023