重新审视细粒度噪声人脸下的鲁棒表征学习

从大规模噪声人脸中学习鲁棒特征表征是高性能人脸识别的关键挑战之一。近期尝试通过缓解类内冲突和类间冲突来应对该挑战。然而，每种冲突中无约束的噪声类型仍使这些算法难以表现良好。为更好理解这一点，我们将每类的噪声类型以更细粒度的方式重新表述为N个身份|K^C个簇。通过调整\nkc的值可生成不同类型的噪声人脸。基于这一统一表述，我们发现噪声鲁棒表征学习背后的主要障碍是算法在不同N、K和C下的灵活性。针对这一潜在问题，我们提出一种名为演化子中心学习（Evolving Sub-centers Learning，ESL）的新方法，以寻找最优超平面来精确描述海量噪声人脸的潜空间。更具体地，我们为每类初始化M个子中心，ESL通过生成、合并和丢弃操作鼓励其自动对齐到N个身份|K^C个簇的人脸。噪声人脸中属于同一身份的图像可有效收敛到同一子中心，而不同身份的样本将被推开。我们在具有不同N、K和C的合成噪声数据集上通过精细的消融研究检验了其有效性。无需任何额外技巧，ESL在大规模噪声人脸上相较最先进方法取得了显著性能提升。