详细解读浅表人脸学习-Semi-Siamese Training for Shallow Face Learning

文章简介

Semi-Siamese Training for Shallow Face Learning

作者：Hang Du, Hailin Shi, Yuchi Liu, Jun Wang, Zhen Lei, Dan Zeng, Tao Mei

单位：上海大学;京东AI；中科院自动化研究所

论文：https://arxiv.org/abs/2007.08398

代码：https://github.com/dituu/Semi-Siamese-Training

会议：ECCV 2020 Spotlight

Introduction

  近年来由于深度学习技术的发展，人脸识别技术有了显著的突破和广泛的应用。在足够宽又足够深的人脸数据集上，深度技术可以提取出有效信息来支撑人脸识别。但是在很多实际应用场景下，我们往往没有足够的深度数据集来支持人脸识别的学习。一般情况下会遇到浅表数据学习问题，也即一个人脸ID只有两张人脸数据可用，一张被叫做gallery(图库)，另一张叫做Probe(探针)。那么这样的话会因为缺乏类内损失而造成网络退化或者过拟合等问题。

  因此这篇文章把在浅表数据集上的学习归纳为浅表人脸学习（shallow face learning），另外浅表学习与少样本学习相似，但不同之处在于：少样本学习主要用于闭集任务，而浅表学习包含了开集识别任务；另外少样本学习从源域到目标需要一定的微调。但是微调在实际应用中不一定是个好的选择，因为微调中改变结构是比较麻烦的事，部署新的网络结构还需重新训练，此外微调数据集和预训练数据集存在一定程度上的域差，依然会遇到浅表学习问题。
  当前主流的人脸识别方法主要包含两种：softmax及其变体的分类方法和多元对比的embedding方法。第一种方法最后学习到的FC层权重可以被认为是每个ID的中心原型，目标就是最大化分类到真实ID上的概率。这种学习方法对