用于训练人脸识别 CNN 的噪声容忍范式
计算机视觉与模式识别
2019-03-27 v2
摘要
得益于大规模训练数据集，深度卷积神经网络（CNN）在人脸识别（FR）中取得了令人印象深刻的成果。然而，数据集的巨大规模不可避免地导致含噪数据，这显然降低了所训练 CNN 模型的性能。尽管已提出一些清洗方法，从大规模 FR 数据集中剔除错误标签仍十分昂贵。根据对基于角间隔损失（AM-Loss）函数监督训练 CNN 模型全过程的分析，我们发现训练样本的 分布隐式反映了其为干净样本的概率。因此，我们提出一种新颖的训练范式，利用基于上述概率的样本加权思想。无需任何噪声先验知识，我们即可用大规模 FR 数据集训练高性能 CNN 模型。实验证明了我们训练范式的有效性。代码见 https://github.com/huangyangyu/NoiseFace。
引用
@article{arxiv.1903.10357,
title = {Noise-Tolerant Paradigm for Training Face Recognition CNNs},
author = {Wei Hu and Yangyu Huang and Fan Zhang and Ruirui Li},
journal= {arXiv preprint arXiv:1903.10357},
year = {2019}
}