从单张带标签人脸与无标签数据流中学习
机器学习
2026-05-01 v1
摘要
每人仅有一张图像的人脸识别是一个具有挑战性的问题，因为训练样本极少。我们考虑该问题的一个变体。在我们的问题中，我们只识别一个人，并且没有任何其他人的带标签数据。这种设置在个人电脑和移动设备上的身份认证中自然出现，并因缺乏负样本而带来了额外的挑战。我们将此问题形式化为单类分类，并提出并分析了一种算法，该算法从单张带标签图像和无标签数据流中学习人脸的非参数模型。在许多领域中，例如当一个人与带有摄像头的计算机交互时，无标签数据是丰富且易于利用的。本文是首篇研究这些数据如何在单图像每人设置下帮助学习更好模型的论文。我们的方法在一个包含43人的数据集上进行了评估，结果表明，在几乎零误报的情况下，这些人脸在90%的时间内可被识别。此召回率比我们表现最佳的基线方法高出25%以上。最后，我们对算法进行了全面的敏感性分析，并为实践中设置其参数提供了指导。
引用
@article{arxiv.2604.27564,
title = {Learning from a single labeled face and a stream of unlabeled data},
author = {Branislav Kveton and Michal Valko},
journal= {arXiv preprint arXiv:2604.27564},
year = {2026}
}
备注
Published at IEEE International Conference on Automatic Face and Gesture Recognition (FG 2013). doi:10.1109/FG.2013.6553720