Learning to Cluster Faces on an Affinity Graph论文解读

**

通过关联图学习聚类人脸（CVPR2019 Oral）

**

总览：

    这篇文章目标是提出一个基于图卷积的人脸聚类算法，训练时是有监督的，测试时使用无标签图片聚类生成伪标签用于人脸识别算法的提升。整体框架和目标检测的two-stage类似，但仍然有所不同。步骤如下：

1. 首先准备一个训练好的能够提取人脸特征的CNN网络用于提取每一张人脸图片的feature，然后根据这些feature之间的相似性（cosine距离）构建一张关联图。接下来是作者提到的三步
2. 对关联图生成cluster proposal，具体是先去除不满足相似性阀值的边，然后提取去除边之后的连通分量，注意每一个关联图的大小有限制，这就意味着即使有的图非常相似，仍然会被分成两个子图或者更多，我们在这一步得到了大量的cluster proposal。
3. 对cluster proposal进行IoP和IoU的计算，也就是所提出来的每一个cluster proposal都要进行，IoP和IoU能够直接通过grouth-truth和cluster proposal计算得到，这个当做是监督信息训练GCN-D，GCN-D的目的仅仅是为了给cluster proposal打分，相当于生成监督信息，而且有多尺度的监督信息，不光是一开始的proposal，proposal之后会当成是一个高维的点（经过了池化），同样计算IoP和IoU，反复多次，其实这个考量就是说要考虑到融合两个proposal的情况，与two-stage类似。但融合并不会在GCN-D中发生。预测时我们就能正确的得到分数。
4. 使用GCN-S去除离群点，训练时把和随机选的点label同一类的点当成正样本，训练网络找出负样本的能力，也就是去除离群点的能力（仅仅输入IOP分数在0.3-0.7之间的proposal），预测的时候仅仅保留正样本数目大于50%的proposal，也就是IoP>0.5，相当于把比较正确的样本拿来使用，并不是所有的都用。
5. 以上聚类完毕，但在此之后，作者使用了IoU分数去除了重用点。总而言之他通过有标签的人脸信息训练了一个可以聚类人脸的神经网络，能够给大量的无标签人脸数据聚类，最后能够用于人脸识别。

详细介绍如下

摘要

    人脸识别近来达到了一个新的高度，但要继续提升，需要难以想象的数据量，也就是更多的投入。因此，可以考虑使用无标签数据。当前的工作显示聚类无标签数据是一个可靠的方法。
    但如何有效聚类，仍然未有定论，主要的挑战在于聚类样式十分复杂。本文提出一个方法，提出如何学习聚类而不是通过人工定义的标准聚类。我们提出了一个基于图卷积的方法，结合发现和分割模型去聚类人脸。实验表明我们的方法有部分成效。

1.背景介绍

    人脸识别算法成功应用，但要很多数据训练，收集数据容易，标注却费时费力。因此考虑