通过提升代表性不足类别的单样本人脸识别

在本文中，我们研究了在训练数据不平衡的情况下训练大规模人脸辨识模型的问题。这一问题自然存在于许多真实场景中，包括大规模名人识别、电影演员标注等。我们的解决方案包含两个部分。首先，我们构建一个人脸特征提取模型，并通过在多类别逻辑回归（MLR）学习中为交叉熵损失引入正则化项，来提升其性能，尤其是对于训练样本非常有限的人。该正则化项鼓励来自同一类的人脸特征的方向接近逻辑回归中对应分类权重向量的方向。其次，我们在所学人脸特征提取模型之上使用MLR构建多类分类器。由于标准MLR即使对这些类别进行过采样，对单样本类别的泛化能力仍然较差，我们提出了一种称为代表性不足类别提升损失（underrepresented-classes promotion loss）的新型监督信号，它将单样本类别（亦称代表性不足类别）的权重向量范数与正常类别的权重向量范数对齐。除了原始的交叉熵损失外，这一新损失项有效地提升了所学模型中的代表性不足类别，并带来人脸识别性能的显著提升。我们在MS-Celeb-1M少样本学习基准任务上测试了我们的方案。我们的方案在以99%的精度识别单样本类别时，识别了94.89%的测试图像。据我们所知，这是在使用相同设置下的该基准任务中所有已发表方法中最好的性能，包括最近ICCV 2017上MS-Celeb-1M挑战赛的所有参与者。