BroadFace：一次训练数万个人脸实例的新方法，克服了mini-批量学习的局限性。

三个要点
✔️将过去的嵌入向量积累为队列，使数据更包括地用来学习，提高辨别能力 
✔️ 易于应用于现有的人脸识别，推理时不需要额外的记忆负载。
✔️ 通过使用九组数据进行广泛的实验，得出了以下结论与传统方法相比，精度显著提高。

BroadFace: Looking at Tens of Thousands of People at Once for Face Recognition
written by Yonghyun Kim, Wonpyo Park, Jongju Shin
(Submitted on 15 Aug 2020)
Comments: Accepted at ECCV2020
Subjects: Computer Vision and Pattern Recognition (cs.CV)

介绍

人脸识别的应用非常广泛，包括电子支付、智能手机屏幕锁、监控摄像头的人员检测等。对人脸识别的研究已经进行了几十年，但最近几年采用卷积神经网络(CNN)极大地提高了识别的准确性。但是，仍然存在许多挑战。

由于人脸识别模型的性能评估是使用包含首次ID的数据集来评估的，因此大多数研究都集中在提高嵌入式空间的判别能力上。最近的主流是引入了最大限度地提高类之间的区分度和类内的紧凑度的目标函数。

然而，由于内存的限制，以往的研究都是应用小的mini批次，只利用数据集的一部分。因此，一次使用大量的数据来全面反映数据集的ID和学习嵌入式空间中的最优决策边界这使得它难以在小规模的mini批次中训练数以万计的ID，需要巨大的迭代。可以考虑用简单的方法来增加小批量的大小，但由于内存负荷较大，这并不实用。另外，过去的研究表明，它不一定能提高准确性。

因此，在本文中，他们对数据集的广大ID进行了全面的训练。BroadFace。学习方法称为新的。他们建议：分类器的权重向量的中心向量，即判别信息，可以在多达数万个实例中估计出来。因为有大量的反射实例，所以中心矢量的估计精度较高。BroadFace是一种新的学习方法，它克服了小批量学习的局限性，可以方便地应用于传统的人脸识别方法。

BroadFace将过去迭代中的嵌入向量作为线索进行维护，并使用每次迭代的迷你批和线索的嵌入向量来优化分类器的决策边界。由于模型的参数是迭代更新的，因此模型的后续迭代会在线索嵌入向量之间引入误差。因此，还引入了修正，通过考虑过去迭代中身份代表向量的差异来减少嵌入向量之间的误差。

此外，需要注意的是，过去使用的数据的模型信息存储在持续学习虽然它与BroadFace存储的是同一数据集的历史数据信息，而Continuous Learning则不同，它存储的是不同数据集的历史数据信息。

• 
• 
• 

与本文相关的类别

• 图片识别
• 深度学习
• 脸部识别