NPCFace：面向大规模人脸识别的负正协同训练
计算机视觉与模式识别
2021-05-17 v3
摘要
深度人脸识别的训练方案在过去几年中有了巨大演进，但在大规模数据场景下仍面临新挑战，此时会出现大量且多样的难样本。尤其在低误接受率（FAR）范围内，正类（类内）与负类（类间）均存在各类难样本。本文研究如何更好地利用这些难样本以改进训练。已有文献通过基于间隔（margin）的形式在正类 logit 或负类 logit 上处理该问题，但忽视了难正样本与难负样本之间的关联，也忽视了正类与负类 logit 中间隔的关系。我们发现这种关联十分重要，尤其在大规模数据集中，并可借此通过为每个训练样本关联正类与负类间隔来提升训练。为此，我们提出了一种样本层面上正类与负类间隔的显式协同。给定一批难样本，我们构建了名为 NPCFace 的新型负正协同损失，该损失通过 softmax logits 中的协同间隔机制强化对负类与正类难样本的训练，并更好地解释了负正难样本相关性。此外，该强化通过一种改进的形式实现，以获得稳定收敛与灵活的参数设置。我们在多个大规模人脸识别基准上验证了方法的有效性，并在低 FAR 范围内取得了优势结果。
引用
@article{arxiv.2007.10172,
title = {NPCFace: Negative-Positive Collaborative Training for Large-scale Face Recognition},
author = {Dan Zeng and Hailin Shi and Hang Du and Jun Wang and Zhen Lei and Tao Mei},
journal= {arXiv preprint arXiv:2007.10172},
year = {2021}
}