基于多源一致性的师生异步学习用于人脸关键点检测
计算机视觉与模式识别
2020-12-15 v1
摘要
由于视频中大规模人脸关键点检测任务标注成本高,研究者提出了一种利用自训练挖掘高质量伪标签参与训练的半监督范式。然而,基于自训练的方法通常以逐渐增多的样本量进行训练,其性能随所添加伪标签样本数量的不同而差异显著。本文提出一种基于多源监督信号一致性准则的师生异步学习(TSAL)框架,通过一致性约束隐式挖掘伪标签。具体而言,TSAL框架包含两个结构完全相同的模型。激进的学生模型利用来自同一任务的多源监督信号更新参数,而沉稳的教师模型利用单源监督信号更新参数。为合理吸收学生的建议,教师参数通过递归平均滤波再次更新。实验结果证明,该异步学习框架能有效滤除多源监督信号中的噪声,从而挖掘对网络参数更新更具意义的伪标签。在300W、AFLW和300VW基准上的大量实验表明,TSAL框架取得了最先进的性能。
引用
@article{arxiv.2012.06711,
title = {Teacher-Student Asynchronous Learning with Multi-Source Consistency for Facial Landmark Detection},
author = {Rongye Meng and Sanping Zhou and Xingyu Wan and Mengliu Li and Jinjun Wang},
journal= {arXiv preprint arXiv:2012.06711},
year = {2020}
}
备注
second version