人脸表征学习的预训练策略与数据集
计算机视觉与模式识别
2022-07-21 v2 机器学习
摘要
学习通用人脸表征的最佳方式是什么？近期深度学习在人脸分析领域的工作聚焦于针对特定任务的监督学习（例如人脸识别、面部关键点定位等），却忽视了如何找到一个可轻松适配多种人脸分析任务与数据集的人脸表征这一根本问题。为此，我们做出以下四项贡献：(a) 我们首次引入了一个由5个重要人脸分析任务组成的、用于人脸表征学习的综合评测基准。(b) 我们系统地研究了应用于人脸的两种大规模表征学习方式：监督预训练与非监督预训练。重要的是，我们将评测重点放在少样本人脸学习这一设定上。(c) 我们研究了训练数据集的重要属性，包括其规模与质量（有标注、无标注甚至未筛选）。(d) 为得出结论，我们进行了非常大量的实验。我们的两个主要发现是：(1) 在完全自然场景、未筛选数据上进行无监督预训练，能为所有考虑的人脸任务带来一致且在某些情况下显著的精度提升。(2) 许多现有人脸视频数据集似乎存在大量冗余。我们将发布代码与预训练模型以促进未来研究。
引用
@article{arxiv.2103.16554,
title = {Pre-training strategies and datasets for facial representation learning},
author = {Adrian Bulat and Shiyang Cheng and Jing Yang and Andrew Garbett and Enrique Sanchez and Georgios Tzimiropoulos},
journal= {arXiv preprint arXiv:2103.16554},
year = {2022}
}
备注
Accepted at ECCV 2022