RepFace：基于渐进式标签校正的人脸识别闭集噪声精炼

随着数据集规模的扩大、各种骨干网络和判别性损失的进步，人脸识别取得了显著进展。然而，人脸识别的性能受标签噪声尤其是闭集噪声的影响极大。尽管许多研究致力于处理标签噪声，但解决闭集噪声仍面临挑战。本文指出该挑战在于训练在早期阶段对噪声不够鲁棒，且需要对低置信度样本采取适当的学习策略，这些样本在后期训练阶段常被误分类为闭集噪声。为解决这些问题，我们提出了一个新框架以在早期阶段稳定训练，并将样本划分为干净、模糊和噪声三组，分别设计了独立的训练策略。首先，我们利用生成的辅助闭集噪声样本，使模型能够在训练早期识别噪声数据。随后，我们介绍如何根据样本与正类中心及最近负类中心的相似度将其划分为干净、模糊和噪声三组。然后，我们结合累积的模型预测对模糊样本进行标签融合。最后，我们在闭集内应用标签平滑，将标签调整至最近负类与初始分配标签之间的位置。大量实验验证了本方法在主流人脸数据集上的有效性，并取得了 SOTA 结果。代码将在论文被接收后发布。