大规模野外人脸识别中的动态类别队列

在真实场景中，利用大规模野外人脸数据集学习具有判别性的表征对于实际应用至关重要，但这一任务仍面临诸多挑战。其中主要难点体现在计算资源受限以及类别分布严重长尾两个方面。近年来，基于深度神经网络与精心设计损失函数的分类式表征学习方法在人脸识别任务中表现出优异的性能。然而，这类方法的计算与内存开销随训练集中身份类别（即类数）线性增长，且训练过程易受类别不平衡问题的影响。针对上述问题，本文提出一种动态类别队列（Dynamic Class Queue, DCQ）机制，有效缓解计算资源压力与类别不平衡问题。具体而言，在训练的每一轮迭代中，动态选择一部分类别用于识别，并实时生成这些类别的权重，这些权重被暂存于一个队列中。由于每次仅使用部分类别进行训练，显著降低了计算需求。我们在无需模型并行的单服务器环境下，通过大规模数据集的实验验证表明：仅使用全部类别中10%的子集，即可达到与使用全部类别相当的性能表现。此外，类别权重采用少样本（few-shot）方式动态生成，因而特别适用于实例数量极少的尾部类别。在包含67.2万个身份、且超过88%的身份实例数少于10个的全球最大公开数据集MegaFace Challenge2（MF2）上，我们的方法相较强基线模型取得了显著性能提升。相关代码已开源，地址为：https://github.com/bilylee/DCQ。