面向人脸识别的 Web 规模训练
计算机视觉与模式识别
2015-04-21 v2
摘要
近年来，由于易于获取无处不在的感知数据和网络数据，将机器学习方法扩展至超大规模数据集已引起广泛关注。我们研究了人脸识别，并展示了三个 distinct 属性对深度卷积网络（CNN）迁移能力的惊人影响：(1) 网络的瓶颈充当了重要的迁移学习正则化器；(2) 与普遍认知相反，CNN 的性能可能存在饱和现象（随着训练样本数量的增加）；我们提出了一种解决方案，即用自举过程（bootstrapping process）替代对训练集的简单随机子采样来缓解这一问题。此外，(3) 我们发现表示范数与在目标域中的判别能力之间存在联系，这揭示了此类网络如何表示人脸。基于这些发现，我们能够在广泛使用的 LFW 基准测试中提高人脸识别准确率，涵盖验证（1:1）和识别（1:N）协议，并首次与最先进的商用现成（Commercially-Off-The-Shelf）系统进行直接比较，显示出显著的性能提升。
引用
@article{arxiv.1406.5266,
title = {Web-Scale Training for Face Identification},
author = {Yaniv Taigman and Ming Yang and Marc'Aurelio Ranzato and Lior Wolf},
journal= {arXiv preprint arXiv:1406.5266},
year = {2015}
}