人脸识别测试图片_人脸识别或将到达瓶颈，有监督的聚类算法探索新思路

近年来随着模型越来越深，标注数据越来越难增加，人脸识别可能遇到瓶颈。本文提出一种有监督的Metric用于人脸聚类，来部分解决无标注数据内部结构复杂、依赖特定Metric、缺乏Outlier控制，以及时间复杂度等问题。本文来自MMLab香港中文大学-商汤科技联合实验室。

人脸识别也许是最成功也最先到达瓶颈的深度学习应用。在Go Deeper, MoreData，Higher Performance的思想指导下，模型更深了，数据却越来越难增加。目前在人脸的公开数据集标到了百万级别，人脸识别百万里挑一的正确率达到99.9％(MegaFace Benchmark)之后，发现再也标不动了。标注员能标出来的数据永远是简单样本，而人脸识别模型是个“深渊”，当你凝视“深渊”的时候，“深渊”并不想看到你。

“深渊”想看到这样的数据，并且明确被告知不是同一个人：

以及这样的数据，并且明确被告知是同一个人：

在把标注员弄疯之前，不如先让模型自己去猜一猜，说不定就猜对了呢？这其实就是半监督学习的思路。利用已有的模型对无标签数据做某种预测，将预测结果用来帮助模型训练。这种自我增强(Self-Enhanced)的学习方式，虽然看起来有漂移(Drift)的风险，但实际用起来还挺好用 [5]。对于闭集(Close-Set)的问题，也就是所有数据都属于一个已知的类别集合(例如ImageNet, CIFAR等)，只需要模型能通过各种方法，例如标签传播(labelPropagation)等，预测出无标签数据的标签，再把它们加入训练即可。

然而问题来了，人脸识别是一个开集(Open-Set)的问题。

例如，人脸比对(Verification)、人脸鉴定(Identification)等任务中，测试样本的身份(Identity)通常没有在训练样本中出现过，测试过程通常是提取人脸特征进行比对，而非直接通过网络推理得到标签。同样，对于无标注数据，在采集的过程中，人脸的身份也是未知的。可能有标注的数据的人脸属于10万个人，而新来的无标注数据属于另外10万个人，这样一来就无法通过预测标签的方式把这些数据利用起来。而聚类不同于半监督学习，只需要知道样本的特征描述(Feature)和样本之间的相似度度量标准(Metric)就可以做聚类。聚完类之后再给每个类分配新的标签，同样可以用来帮助提升人脸模型。