Transferencia de Aprendizaje de Características para el Reconocimiento Facial con Datos Subrepresentados

A pesar del gran volumen de conjuntos de datos de reconocimiento facial, existe una porción significativa de sujetos, de los cuales las muestras son insuficientes y, por lo tanto, están subrepresentadas. Ignorar tal porción significativa resulta en datos de entrenamiento insuficientes. Entrenar con datos subrepresentados conduce a clasificadores sesgados en redes profundas entrenadas de manera convencional. En este artículo, proponemos un marco de transferencia de características basado en el centro para aumentar el espacio de características de sujetos subrepresentados a partir de sujetos regulares que tienen muestras suficientemente diversas. Se asume un prior gaussiano de la varianza en todos los sujetos y la varianza de los sujetos regulares se transfiere a los subrepresentados. Esto fomenta que la distribución subrepresentada esté más cerca de la distribución regular. Además, se propone un régimen de entrenamiento alternante para lograr clasificadores menos sesgados y una representación de características más discriminativa simultáneamente. Llevamos a cabo un estudio ablativo para imitar los conjuntos de datos subrepresentados variando la porción de clases subrepresentadas en el conjunto de datos MS-Celeb-1M. Resultados ventajosos en LFW, IJB-A y MS-Celeb-1M demuestran la efectividad de nuestra estrategia de transferencia de características y entrenamiento, en comparación tanto con las líneas base generales como con los métodos de última generación. Además, nuestra transferencia de características presenta con éxito una interpolación visual suave, que realiza un desentrelazado para preservar la identidad de una clase mientras aumenta su espacio de características con variaciones no relacionadas con la identidad, como pose e iluminación.