一石二鸟：通过 Partial FC 高效且鲁棒地训练人脸识别 CNN
计算机视觉与模式识别
2022-03-30 v1
摘要
利用百万规模真实场景数据集和基于间隔的 softmax 损失学习判别性深度特征嵌入，是当前人脸识别的最先进方法。然而，全连接（FC）层的内存和计算成本随训练集中身份数量线性增长。此外，大规模训练数据不可避免地存在类间冲突和长尾分布问题。本文提出 FC 层的一种稀疏更新变体，称为 Partial FC（PFC）。在每次迭代中，选择正类中心和负类中心的随机子集来计算基于间隔的 softmax 损失。所有类中心在整个训练过程中仍被维持，但每次迭代仅选择和更新一个子集。因此，计算需求、类间冲突的概率以及尾部类中心被动更新的频率均显著降低。在不同训练数据和骨干网络（如 CNN 和 ViT）上的大量实验证实了所提 PFC 的有效性、鲁棒性和高效性。源代码见 \https://github.com/deepinsight/insightface/tree/master/recognition。
引用
@article{arxiv.2203.15565,
title = {Killing Two Birds with One Stone:Efficient and Robust Training of Face Recognition CNNs by Partial FC},
author = {Xiang An and Jiankang Deng and Jia Guo and Ziyong Feng and Xuhan Zhu and Jing Yang and Tongliang Liu},
journal= {arXiv preprint arXiv:2203.15565},
year = {2022}
}
备注
8 pages, 16 figures