SSDL：用于改进人脸识别的自监督域学习
计算机视觉与模式识别
2020-11-30 v1 机器学习
摘要
由于光照、感知质量、运动模糊等变化，非受限环境下的人脸识别具有挑战性。个体面部外观在不同条件下可能急剧变化，从而在训练（源）数据与变化的测试（目标）数据间产生鸿沟。该域鸿沟可能导致从源到目标的直接知识迁移性能下降。尽管使用特定域数据微调可能是有效解决方案，但为所有域收集和标注数据极其昂贵。为此，我们提出一种自监督域学习（SSDL）方案，其基于从未标注数据中挖掘的三元组进行训练。有效判别学习的一个关键因素在于选择信息丰富的三元组。基于最可信的预测，我们遵循'由易到难'的交替三元组挖掘与自学习方案。在四个不同基准上的综合实验表明，SSDL在不同域上均具有良好泛化能力。
引用
@article{arxiv.2011.13361,
title = {SSDL: Self-Supervised Domain Learning for Improved Face Recognition},
author = {S. W. Arachchilage and E. Izquierdo},
journal= {arXiv preprint arXiv:2011.13361},
year = {2020}
}