用于浅层人脸学习的半孪生训练
计算机视觉与模式识别
2020-07-17 v1
摘要
大多数现有公开人脸数据集，如 MS-Celeb-1M 和 VGGFace2，在广度（大量 ID）和深度（充足样本数）上均提供丰富信息以供训练。然而，在许多人脸识别的真实场景中，训练数据集在深度上受限，即每个 ID 仅有两个人脸图像可用。 不同于深度人脸数据，浅层人脸数据缺乏类内多样性。因此，它可能导致特征维度坍缩，进而所学网络易在坍缩维度上退化与过拟合。本文旨在通过引入一种称为半孪生训练（SST）的新训练方法来解决该问题。一对半孪生网络构成前向传播结构，训练损失通过更新的图库队列计算，从而在浅层训练数据上实现有效优化。我们的方法不依赖额外组件，因此可灵活地与现有损失函数和网络架构集成。在多项人脸识别基准上的大量实验表明，所提方法显著改进了训练，不仅在浅层人脸学习中，也对常规深度人脸数据有效。
引用
@article{arxiv.2007.08398,
title = {Semi-Siamese Training for Shallow Face Learning},
author = {Hang Du and Hailin Shi and Yuchi Liu and Jun Wang and Zhen Lei and Dan Zeng and Tao Mei},
journal= {arXiv preprint arXiv:2007.08398},
year = {2020}
}
备注
ECCV 2020 Spotlight