面向长尾与浅层人脸学习的多智能体半孪生训练
计算机视觉与模式识别
2022-01-25 v2
摘要
随着深度卷积神经网络与大规模数据集的近期发展，深度人脸识别取得了显著进展并广泛应用于各类场景。然而，与现有公开人脸数据集不同，在许多真实人脸识别场景中，训练数据集的深度较浅，即每个 ID 仅有两个人脸图像可用。随着样本的非均匀增加，该问题转化为更一般的情形，即长尾人脸学习，其同时受数据不平衡与类内多样性匮乏的困扰。这些不利条件损害了训练并导致模型性能下降。基于半孪生训练（SST），我们提出一种进阶方案，称为多智能体半孪生训练（MASST），以解决上述问题。MASST 包含一个探针网络与多个图库智能体，前者旨在编码探针特征，后者构成一组编码原型（图库特征）的网络栈。在每次训练迭代中，从网络栈中顺序轮转出的图库网络与探针网络组成一对半孪生网络。我们给出理论与实证分析：给定长尾（或浅层）数据与训练损失，MASST 借助多个智能体与更新的图库队列平滑了损失景观并满足 Lipschitz 连续性。所提方法无额外依赖，因此可轻松与现有损失函数及网络架构集成。值得注意的是，尽管训练时使用了多个图库智能体，推理时仅需探针网络，不增加推理成本。大量实验与对比证明了 MASST 在长尾与浅层人脸学习中的优势。
引用
@article{arxiv.2105.04113,
title = {Multi-Agent Semi-Siamese Training for Long-tail and Shallow Face Learning},
author = {Hailin Shi and Dan Zeng and Yichun Tai and Hang Du and Yibo Hu and Zicheng Zhang and Tao Mei},
journal= {arXiv preprint arXiv:2105.04113},
year = {2022}
}
备注
14 pages