msra数据集_ECCV 2020 | 通过聚类无标签数据来提高人脸识别能力

Improving Face Recognition by Clustering Unlabeled Faces in the Wild

作者团队：马萨诸塞大学&NEC实验室等
论文： https:// arxiv.org/abs/2007.0699 5

据作者团队称：这是第一个解决聚类期间标记和未标记人脸数据之间identities重叠的实际问题的方法，该方法被称为：out-of-distribution detection。

大量实验表明，本方法相对于有监督的基准具有一致的改进，例如，对IJB-A验证的改进为11.6％。

尽管人脸识别技术已从大规模的标签数据中得到很好应用体现，但当前的研究重点是利用未标注的数据进一步提高性能，从而降低人工注释的成本。

先前的工作主要是在受控的环境中进行的，其中标记和未标记的数据集在构造上没有重叠的标识。在大规模的人脸识别中，这是不现实的，在大规模的人脸识别中，必须面对这样的重叠，重叠的频率随着数据量的增加而增加。

忽略identities重叠会导致明显的标记噪音，因为来自同一identities的数据会分成多个簇。为了解决这个问题，我们提出了一种基于极值理论的新颖identity分离方法。它被称为out-of-distribution检测算法，大大减少了重叠identities签噪声引起的问题。将群集分配视为伪标签，我们还必须克服群集错误带来的标签噪音。我们提出了余弦损失的调制，其中调制权重对应于聚类不确定性的估计。

创新点：

实验结果

在受控和真实环境下进行的大量实验表明，我们的方法相对于有监督的基准具有一致的改进，例如，对IJB-A验证的改进为11.6％。

下载

链接： https:// pan.baidu.com/s/1p9NROr B4MerCPoRLxPjk3w
提取码：j933

强烈推荐大家关注计算机视觉论文速递知乎专栏和CVer微信公众号，可以快速了解到最新优质的CV论文。

推荐阅读

Facebook发布FAIRScale：用于高性能和大规模训练的PyTorch工具

ECCV 2020 | 即插即用！PSConv：将特征金字塔压缩到紧凑的多尺度卷积层中

52.1 AP！MSRA&北大提出RepPoints V2：用于目标检测的验证+回归

CenterNet3D：用于自动驾驶的Anchor-free 3D目标检测器

华南理工大学提出AQD：面向准确的量化目标检测

MS-NAS：用于医学图像分割的多尺度神经网络架构搜索

京东AI提出：用于人脸识别的损失函数搜索

增强注意力！DCANet：学习卷积神经网络的连接注意力

RarePlanes：最大的真实/合成的飞机检测和分类数据集

GBDT与NAS强强联手！中科大&MSRA提出GBDT-NAS：使用GBDT进行神经网络架构搜索