在未知域中学习的元人脸识别
计算机视觉与模式识别
2020-03-26 v2
摘要
人脸识别系统在真实世界应用中通常面临未知域，并因其泛化能力差而表现不佳。例如，在网页人脸数据上训练良好的模型无法处理监控场景中的身份比对与抓拍任务。本文旨在学习一个可直接处理新的未知域而无需任何模型更新的泛化模型。为此，我们提出了一种通过元学习实现的新型人脸识别方法，称为元人脸识别（MFR）。MFR 以元优化目标合成源/目标域偏移，要求模型不仅在合成的源域上，也在合成的目标域上学习有效表示。具体而言，我们通过域级采样策略构建域偏移批次，并通过优化多域分布在合成的源/目标域上获得反向传播梯度/元梯度。这些梯度和元梯度进一步组合以更新模型，从而提升泛化能力。此外，我们提出了两个用于泛化人脸识别评估的基准。在我们的基准上的实验验证了我们的方法相对于若干基线和其他最先进方法的泛化性。所提出的基准将发布于 https://github.com/cleardusk/MFR。
引用
@article{arxiv.2003.07733,
title = {Learning Meta Face Recognition in Unseen Domains},
author = {Jianzhu Guo and Xiangyu Zhu and Chenxu Zhao and Dong Cao and Zhen Lei and Stan Z. Li},
journal= {arXiv preprint arXiv:2003.07733},
year = {2020}
}
备注
Accepted to CVPR2020 (Oral)