本文共 617 字，大约阅读时间需要 2 分钟。

商汤开源方法利用无标注数据显著提升人脸识别精度

近日，一篇来自微信公众号“我爱计算机视觉”的论文引发广泛关注。该文提出了一种创新的人脸识别方法，能够在仅使用少量标注数据的情况下，通过构建伪正样本对来显著提升模型性能。

文章主要解决以下问题：已标注的人脸数据虽然质量高，但其数量相对有限；而大量未标注数据虽然可用性强，但直接使用难以保证标注准确性。作者提出了一种基于共识驱动传播的模型，通过分析未标注数据中的同一人多张面部图像关系，构建伪正样本对。

核心思想在于：通过多个深度学习模型的特征提取，构建未标注样本的K邻域图（KNN图），并利用KNN图中节点之间的关系信息，自动标注伪正样本。具体而言，作者设计了一个包含基模型、委员模型和调解员模型的框架，通过多个视图的特征融合，识别同一人多张面部图像的关系。

实验结果表明，该方法在MageFace和IJB-A数据集上的性能均有显著提升。在MageFace数据集上，仅使用十一分之一标注数据时，模型精度可达78.18%，甚至接近全监督方法的78.52%表现。更令人惊讶的是，在IJB-A上，该方法的效果甚至超越了传统全监督方法，证明其在复杂场景下的强大适用性。

值得注意的是，该方法不仅适用于人脸识别任务，在其他分类问题中也具有广泛的应用价值。其核心优势在于低成本扩展数据集能力，能够有效缓解数据标注难题。

总体而言，这项研究为人脸识别领域带来了重要突破，其创新点和实用价值具有长远意义。

转载地址：http://ysyk.baihongyu.com/