本文共 1214 字，大约阅读时间需要 4 分钟。

半监督人脸识别减少标注瓶颈

摘要

本文提出一种基于多代理的半监督人脸识别方法，通过结合噪声标签学习和鲁棒训练，有效解决了深度人脸识别中的标注成本问题。我们提出的GroupNet（GN）方法在有噪声的标注数据中展现出优异的效果，并基于此开发了半监督学习解决方案NRoLL。该方法不仅能够在极小标注数据下实现稳健训练，还能准确进行大规模无标记数据的标注。实验结果表明，我们的解决方案在多个基准测试中均超越了现有方法，具备良好的实际应用潜力。

关键词

半监督学习, 人脸识别, 噪声标签, 多代理方法, 稊式归属承认

1. 背景与问题

深度人脸识别技术的快速发展离不开大规模标注数据集的支撑。然而，随着数据规模的扩大，标注成本显著增加，错误标注（噪声标签）问题日益严重。例如，在MSSeleb数据集中，噪声标签部分超过50%，这严重影响模型的性能。现有的半监督学习方法虽然能利用少量标注数据和大量无标注数据，但在噪声标签的问题上仍存在挑战。

2. 提出方法

我们提出了一种基于多代理的半监督人脸识别方法，主要包括以下两部分：

（1）GroupNet（GN）鲁棒训练

GN通过多代理协同学习，有效解决噪声标注数据的鲁棒性问题。具体而言，GN采用分层策略，将样本按损失值划分为高置信样本（HC）、中等置信样本（MC）和低置信样本（LC）。高置信样本用于训练，其损失值很小且预测一致；中等置信样本则用于代理间交换和相互学习；低置信样本则直接丢弃。通过动态调整代理间的信息交换策略，GN能够有效减少噪声标签对模型的干扰，显著提升模型的鲁棒性。

（2）NRoLL 噪声鲁棒学习标签

基于GN的鲁棒能力，我们开发了半监督学习方法NRoLL。NRoLL首先在小量标注数据上进行预训练，利用GN的优势即使标注数据中存在50%以上的噪声也能稳健训练模型。随着模型不断接触更多无标注数据，NRoLL通过动态标注策略，选择具有高置信度的样本进行标注，并持续优化标注模型。这种标注过程与模型训练相辅相成，实现了标注成本的显著降低和识别精度的持续提升。

3. 实验结果

实验结果表明，GN在传统监督人脸识别任务中展现出优异性能，即使噪声标签占比超过50%也能保持领先水平。NRoLL在多个基准测试中均高于现有半监督方法的性能，并且能够在动态扩展数据集的过程中逐步提升标注精度和识别精度。具体来看：

• 鲁棒性测试：GN在有噪声标注数据的训练中表现出色，识别精度始终保持在97%以上。
• 半监督学习性能：NRoLL在无标注数据扩展过程中，标注精度逐步提升至92%，识别精度优于传统方法。

4. 总结

本文提出了一种新型多代理半监督人脸识别方法，有效解决了噪声标签和标注成本问题。GroupNet（GN）和NRoLL的组合不仅大幅降低了标注成本，还显著提升了深度人脸识别的性能。未来的研究将进一步优化代理间的信息交换策略，探索更多适用于大规模人脸识别场景的鲁棒学习方案。

转载地址：http://rpagz.baihongyu.com/