基于图元聚类与正则化自适应的本地自适应人脸识别
计算机视觉与模式识别
2022-03-29 v1
摘要
由于对数据隐私的日益关注，合理地假设本地客户端数据无法传输至中心服务器，也不提供其关联的身份标签。为支持持续学习并填补最后一公里质量差距，我们引入一种称为本地自适应人脸识别（LaFR）的新问题设定。利用初始全局模型部署后的环境特定本地数据，LaFR 旨在自动且无监督地训练本地自适应模型以获得最优性能，而非固定其初始全局模型。我们通过新提出的基于图卷积网络（GCN）的嵌入聚类模型实现此目标，该模型通过元优化过程训练。与以往工作相比，我们的元聚类模型在未见过的本地环境中具有良好泛化能力。利用聚类结果得到的伪身份标签，我们进一步引入新颖的正则化技术以提升模型自适应性能。在种族与内部传感器自适应上的大量实验表明，我们提出的方案在每个特定环境中自适应人脸识别模型更为有效。同时，我们展示了 LaFR 可通过对更新后本地模型的简单联邦聚合进一步提升全局模型。
引用
@article{arxiv.2203.14327,
title = {Local-Adaptive Face Recognition via Graph-based Meta-Clustering and Regularized Adaptation},
author = {Wenbin Zhu and Chien-Yi Wang and Kuan-Lun Tseng and Shang-Hong Lai and Baoyuan Wang},
journal= {arXiv preprint arXiv:2203.14327},
year = {2022}
}
备注
CVPR 2022