Fugu-MT 論文翻訳(概要): MultiFace: A Generic Training Mechanism for Boosting Face Recognition Performance

論文の概要: MultiFace: A Generic Training Mechanism for Boosting Face Recognition Performance

arxiv url: http://arxiv.org/abs/2101.09899v2
Date: Sun, 31 Jan 2021 13:05:46 GMT
ステータス: 処理完了
システム内更新日: 2021-03-14 19:06:55.079956
Title: MultiFace: A Generic Training Mechanism for Boosting Face Recognition Performance
Title（参考訳）: MultiFace: 顔認識性能向上のためのジェネリックトレーニングメカニズム
Authors: Jing Xu, Tszhang Guo, Zenglin Xu, Kun Bai
Abstract要約: MultiFaceと呼ばれるシンプルで効率的なトレーニングメカニズムを提案します。元の高次元特徴を低次元特徴のアンサンブルによって近似する。これはクラスタリング効果を通じてFRモデルに優れた解釈可能性の利点をもたらす。
参考スコア（独自算出の注目度）: 26.207302802393684
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep Convolutional Neural Networks (DCNNs) and their variants have been widely used in large scale face recognition(FR) recently. Existing methods have achieved good performance on many FR benchmarks. However, most of them suffer from two major problems. First, these methods converge quite slowly since they optimize the loss functions in a high-dimensional and sparse Gaussian Sphere. Second, the high dimensionality of features, despite the powerful descriptive ability, brings difficulty to the optimization, which may lead to a sub-optimal local optimum. To address these problems, we propose a simple yet efficient training mechanism called MultiFace, where we approximate the original high-dimensional features by the ensemble of low-dimensional features. The proposed mechanism is also generic and can be easily applied to many advanced FR models. Moreover, it brings the benefits of good interpretability to FR models via the clustering effect. In detail, the ensemble of these low-dimensional features can capture complementary yet discriminative information, which can increase the intra-class compactness and inter-class separability. Experimental results show that the proposed mechanism can accelerate 2-3 times with the softmax loss and 1.2-1.5 times with Arcface or Cosface, while achieving state-of-the-art performances in several benchmark datasets. Especially, the significant improvements on large-scale datasets(e.g., IJB and MageFace) demonstrate the flexibility of our new training mechanism.
Abstract（参考訳）: 深層畳み込みニューラルネットワーク(DCNN)とその変種は近年,大規模顔認識(FR)で広く利用されている。既存のメソッドは多くのFRベンチマークで優れたパフォーマンスを達成している。しかし、そのほとんどが2つの大きな問題を抱えている。まず、これらの手法は高次元でスパースなガウス球面における損失関数を最適化するため、非常にゆっくりと収束する。第二に、強力な記述能力にもかかわらず、特徴の高次元性は最適化に困難をもたらし、これは準最適局所最適化につながる可能性がある。そこで本研究では, 低次元特徴のアンサンブルにより, 本来の高次元特徴を近似する, 簡便かつ効率的な訓練機構MultiFaceを提案する。提案機構は汎用的であり、多くの高度なFRモデルにも容易に適用できる。さらに、クラスタリング効果を介してFRモデルに優れた解釈性の利点をもたらします。詳しくは、これらの低次元特徴のアンサンブルは相補的かつ判別的な情報を捉えることができ、クラス内コンパクト性とクラス間分離性を高めることができる。実験結果から,本機構はソフトマックス損失で2～3倍,アークフェイスやコスフェイスで1.2～1.5倍の高速化が可能であり,ベンチマークデータセットでは最先端の性能が得られることがわかった。特に、大規模データセット(IJBやMageFaceなど)の大幅な改善は、新しいトレーニングメカニズムの柔軟性を示しています。