面向深度人脸识别的三元组蒸馏
计算机视觉与模式识别
2019-05-21 v2 机器学习
摘要
卷积神经网络(CNNs)在人脸识别中取得了巨大成功,但不幸的是其代价是巨大的计算和存储消耗。因此,许多紧凑型人脸识别网络被提出以解决该问题。三元组损失可有效进一步提升这些紧凑模型的性能。然而,它通常对所有样本采用固定间隔,忽略了不同身份之间富有信息的相似性结构。本文提出三元组损失的一个增强版本,称为三元组蒸馏(triplet distillation),其利用教师模型的能力,通过自适应地改变正样本对与负样本对之间的间隔,将相似性信息迁移到小模型。在 LFW、AgeDB 和 CPLFW 数据集上的实验表明了我们的方法相较于原始三元组损失的优势。
引用
@article{arxiv.1905.04457,
title = {Triplet Distillation for Deep Face Recognition},
author = {Yushu Feng and Huan Wang and Daniel T. Yi and Roland Hu},
journal= {arXiv preprint arXiv:1905.04457},
year = {2019}
}
备注
5 pages, 2 tables, accpeted by ICML 2019 ODML-CDNNR Workshop