Dec, 2023

通过联合标签分类和受监督对比聚类改进面部表示

PDF
TL;DR本研究论文探索了面部聚类任务在从大规模数据中学习层次结构语义信息方面的潜力，并通过提出标签分类和监督对比聚类的联合优化任务的两种方式将聚类知识引入传统面部识别任务。通过将簇引导的角度边界扩展到 ArcFace 来根据面部聚类的难度级别调整类内特征分布，并提出了一种监督对比聚类方法来将特征拉向簇中心，并通过簇对准过程将簇中心与可学习的类中心在分类器中对齐进行联合训练。最后，对流行的面部基准进行了广泛的定性和定量实验，证明了我们范式的有效性以及在现有的面部识别方法上的优越性。
face clusteringhierarchical semantic informationlabel classificationsupervised contrastive clusteringface recognition
发现论文，激发创造
  • 基于聚类的对比学习，以提高人脸表征

    本文提出了一种名为 CCL 的基于聚类的对比学习方法，利用聚类得到的标签和视频约束来学习具有区分性的人脸特征，展示了该方法在视频人脸聚类的表征学习任务上的显著成果。

    Apr, 2020

  • 学习在亲和图上聚类人脸

    本文探讨了人脸识别中如何有效聚类未标记数据的问题，提出了一种基于图卷积网络的新方法，可以更准确地聚类人脸并提升识别性能。

    Apr, 2019

  • 基于集中式坐标学习的人脸识别

    该研究提出了一种基于中心坐标学习的人脸特征和分类向量联合学习方法，可以有效地提高人脸特征的判别力，并在六个面部基准测试中表现出极高的效果和广泛性，只使用大约 10K 个主题的 CASIA Webface 数据集进行训练。

    Jan, 2018

  • 人脸的距离感知层次聚类

    本篇论文介绍了一种名为 'PAHC' 的无监督人脸聚类算法，主要通过评估最近邻数据的线性 SVM 边缘来计算深度特征之间的相似度，从而实现人脸聚类及脸部识别的功能，并取得了显著的改进。

    Mar, 2017

  • 通过二元分类学习人脸聚类

    本文介绍了一种新的人脸聚类方法，将人脸聚类任务转化为成对关系分类任务，避免了在大规模图上训练所需的高内存消耗，并借助上下文信息以增强分类器性能。同时，引入排名加权密度来指导选择输入分类器的对。实验结果表明，该方法速度最快，内存消耗最小，并且在几个公共聚类基准上达到了最先进的性能。

    May, 2022

  • 人脸聚类：表征与成对约束

    该研究提出了一种基于 ResNet 的面部表示方法，并利用 Conditional Pairwise Clustering（ConPaC），将面部图像聚类，得出的实验结果表明 ConPaC 的性能优异，可以自动选择聚类数量，并保留面部图像之间的相似度。还提出了 k-NN 变体，适用于大型数据集。

    Jun, 2017

  • 使用监督对比学习学习标签层次

    我们介绍了一种 Label-Aware SCL 方法，通过利用类别之间的相似性，将层次信息融入到 SCL 中，从而创建一个更结构化和具有辨别性的特征空间，实现了更好的文本分类性能。

    Jan, 2024

  • 语义对比学习的深度聚类

    本文提出了一种语义对比学习的方法（SCL），将距离的聚类结构引入到无标注数据的特征空间中，并通过优化实例视觉相似性和聚类决策边界的一致性来推理出语义上的实体类别，以在发现未知类别决策边界方面具有显着优势。实验证明，SCL 在六个物体识别基准测试中优于最先进的对比学习和深度聚类方法，尤其是在更具挑战性的精细和较大的数据集上。

    Mar, 2021

  • 通过置信度和连通性估计学习人脸聚类

    本文提出了一种基于图卷积网络的可学习的人脸聚类框架，通过用两个图卷积网络分别估计节点置信度和边的连通性，实现了高效准确地人脸聚类。通过在两个大规模数据集上的实验，证明了该方法显著提高了聚类准确性，并在不损失性能的情况下大幅提升了识别模型的计算效率。

    Apr, 2020

  • 用对比学习支持聚类

    该论文提出了 SCCL 框架，使用对比学习来帮助无监督聚类，有效提升类别间距离，进而在短文本聚类中达到更好的结果。研究表明，SCCL 能够显著提高精度和归一化互信息，同时有效结合自下而上的实例判别和自上而下的聚类来实现更好的聚类效果。

    Mar, 2021