王錕朋 高興宇

1(中國科學(xué)院微電子研究所 北京 100029)2(中國科學(xué)院大學(xué) 北京 100049)

0 引 言

近年來研究人員在深度學(xué)習(xí)研究上的重大突破推動了人臉識別算法的快速發(fā)展。通過大量有標(biāo)簽的人臉數(shù)據(jù)進(jìn)行監(jiān)督學(xué)習(xí)，訓(xùn)練出的人臉識別模型不斷刷新多個人臉識別數(shù)據(jù)集，如LFW[1]、MegaFace上的最好成績。但隨之產(chǎn)生了另一個問題：當(dāng)處理大量無標(biāo)簽的人臉數(shù)據(jù)時，如何更快更準(zhǔn)確地將這些數(shù)據(jù)按照個體身份(ID)進(jìn)行分類。這樣的應(yīng)用場景涵蓋了社交媒體、安防、執(zhí)法、大數(shù)據(jù)分析等多個領(lǐng)域：在社交媒體Facebook中，日均圖片上傳量達(dá)到350萬幅；在視頻網(wǎng)站YouTube中，每分鐘有300小時視頻被上傳；在中國大約有1.76億監(jiān)控攝像頭被安裝在包括機(jī)場、火車站、街道在內(nèi)的公共和私人領(lǐng)域，每月產(chǎn)生的視頻數(shù)據(jù)量達(dá)到EB級別。上述領(lǐng)域產(chǎn)生的數(shù)據(jù)包含了大量的無標(biāo)簽人臉數(shù)據(jù)，當(dāng)企業(yè)需要分析自己的用戶群體，或發(fā)生公共安全事件需要排查人員身份時，我們既無法了解人臉的身份，又無法知道數(shù)據(jù)中包含的人數(shù)，因此使用無監(jiān)督人臉聚類算法對這些無標(biāo)簽人臉數(shù)據(jù)進(jìn)行有效的處理，可以帶來巨大的經(jīng)濟(jì)、社會價值。無監(jiān)督人臉聚類算法通常面對以下挑戰(zhàn)[2]：1) 數(shù)據(jù)量巨大，達(dá)到十萬甚至百萬級別；2) 類別多：包含幾千甚至上萬個個體身份；3) 真實類別數(shù)未知；4) 樣本數(shù)量不均衡；5) 類內(nèi)變化多，人臉照片在無限制環(huán)境下獲取，同一人的人臉照片在姿態(tài)、光照、分辨率等屬性上相差很大。

本文提出附加間隔Softmax損失[3]與Inception-ResNet-v1[4]結(jié)構(gòu)結(jié)合的人臉特征提取模型，采用CASIA-WebFace[15]人臉數(shù)據(jù)集作為訓(xùn)練集，在LFW[1]人臉數(shù)據(jù)集上取得了99.08%的識別準(zhǔn)確率和95.01%(FAR=0.1%)的驗證率，超過了Softmax模型和中心損失模型；然后使用基于附加間隔Softmax模型提取的128維人臉深度特征在LFW人臉數(shù)據(jù)集、LFW與視頻模糊人臉的混合數(shù)據(jù)集上分別對比分析了k-means算法、DBSCAN算法和近似等級排序[5]聚類算法，實驗結(jié)果表明近似等級排序聚類是更適合處理人臉數(shù)據(jù)的無監(jiān)督聚類算法；最后對比了基于Softmax模型、中心損失模型與附加間隔Softmax模型的人臉特征應(yīng)用在近似等級排序算法上的聚類效果。實驗結(jié)果表明基于附加間隔Softmax特征的近似等級排序算法是魯棒性較強(qiáng)的人臉聚類算法，有較高的應(yīng)用價值。

1 相關(guān)工作

在過去幾年中，研究人員將在ImageNet大賽上取得突破性進(jìn)展的VGGNet[6]、GoogleNet[7]、ResNet[8]等深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)用于人臉識別研究，并獲得了巨大的成功。在此基礎(chǔ)上，DeepFace[9]使用精準(zhǔn)的三維人臉對齊算法對人臉數(shù)據(jù)進(jìn)行預(yù)處理，然后使用大量人臉數(shù)據(jù)訓(xùn)練深層的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行識別；FaceNet[10]將三元組損失函數(shù)用于人臉識別模型的訓(xùn)練。至此對于人臉識別任務(wù)已經(jīng)形成了一個通用的范式：首先使用人臉檢測算法檢測人臉，然后使用深度神經(jīng)網(wǎng)絡(luò)模型提取人臉特征，將人臉驗證、識別等問題放在特征空間進(jìn)行處理。

聚類算法是一種無監(jiān)督的數(shù)據(jù)分析方法，被廣泛應(yīng)用于模式識別、統(tǒng)計以及機(jī)器學(xué)習(xí)領(lǐng)域。在深度學(xué)習(xí)普及之前，研究人員通常使用手工特征，如HOG特征、SIFT特征，對圖像進(jìn)行聚類。深度學(xué)習(xí)被廣泛應(yīng)用于計算機(jī)視覺之后，將圖像的深度特征用于聚類可以取得更好的效果。聚類過程如圖1所示。

圖1 人臉圖像聚類流程圖

圖像聚類的效果不僅取決于聚類算法本身，而且圖像特征和相似度度量方式也起著重要的作用。文獻(xiàn)[11]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)和K-means的圖像聚類算法，首先用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)圖像的高階特征，然后用哈希方法將高維特征映射為低維二進(jìn)制哈希碼，最后利用K-means算法完成聚類。文獻(xiàn)[12]提出一種針對人臉數(shù)據(jù)的無監(jiān)督聚類算法，該算法使用等級排序來重新定義特征間的相似度，本質(zhì)上是一種自下而上的凝聚層次聚類算法。

2 附加間隔Softmax特征

2.1 Softmax損失函數(shù)

深度學(xué)習(xí)為人臉識別任務(wù)提供了一種端到端的解決方案，將人臉識別任務(wù)作為分類任務(wù)來處理[13]，如圖2所示，CNN模型的輸入是人臉圖片，模型最后的Softmax層輸出人臉類別的預(yù)測結(jié)果。但是由于人臉識別任務(wù)中個體身份(ID)數(shù)量的不可預(yù)測性，以及測試集中的ID種類與訓(xùn)練集沒有重疊，所以在人臉識別算法的推斷過程中通常采取如下做法：首先移除模型最后的Softmax層，保留倒數(shù)第二層的全連接層，全連接層的信息是人臉圖片在特征空間的映射，即深度人臉特征(deep face features)；然后通過如歐氏距離、余弦距離等度量方式比較人臉特征之間的相似度，完成人臉識別。而模型依然可以按照分類任務(wù)進(jìn)行訓(xùn)練。

圖2 基于Softmax的人臉識別模型示意圖

分類模型的訓(xùn)練中最常用的損失函數(shù)是Softmax損失函數(shù)，主要用于解決多分類問題。Softmax的輸出代表分類圖像被分到每一類的概率，如圖3所示，對于一個n分類器，則輸出一個n維向量，向量中所有元素的和為1。對于一個含有m個樣本(x為訓(xùn)練樣本，y為對應(yīng)標(biāo)簽)的訓(xùn)練集{(x(1),y(1)),(x(2),y(2)),…,(x(m),y(m))}，Softmax輸出的每一個樣本的n個估計概率如下：

(1)

對于整個訓(xùn)練集，Softmax損失函數(shù)如下：

(2)

式中：Wj為權(quán)值向量，fj為輸入x(i)的特征向量，二者的夾角為θj，二維可視化效果如圖3(a)所示(圖中二維向量分別屬于9個不同類別)。

(a) 沒有經(jīng)過權(quán)重歸一化 與特征歸一化處理 (b) 經(jīng)過權(quán)重歸一化與 特征歸一化處理

(c) 權(quán)重歸一化和特征歸 一化后乘尺度因子s (d) 權(quán)重歸一化特征歸一化后乘 尺度因子s并添加間隔m 圖3 二維特征向量在二維球面的可視化

2.2 附加間隔Softmax損失函數(shù)

本文使用附加間隔(Additive Margin)Softmax[3]損失函數(shù)來優(yōu)化模型，使屬于同一類別的權(quán)值向量Wj與特征向量fj之間的夾角θj更小，不同類別的特征向量fj與fk(j≠k)之間夾角θj更大。首先歸一化特征向量Wj與特征向量fj使得特征向量固定映射到半徑為1的超球上，即‖Wj‖‖fi‖=1，二維可視化效果如圖3(b)所示；然后乘以尺度因子s(s>1)，即s·‖Wj‖‖fi‖=s×1=s，超球的半徑變?yōu)閟，特征可以表達(dá)在更大的超球上，如圖3(c)所示；最后添加附加間隔m，使屬于同一類別的權(quán)值向量Wj與特征向量fj之間的夾角θj更小，不同類別的特征向量fj與fk(j≠k)之間夾角更大，二維可視化效果如圖3(d)所示。因此附加間隔Softmax損失函數(shù)表達(dá)式如下：

(3)

使用附加間隔Softmax損失函數(shù)訓(xùn)練模型的過程與使用Softmax損失函數(shù)相同，模型訓(xùn)練完成后，移除附加間隔Softmax層，提取模型倒數(shù)第二層的取深度人臉特征。

2.3 模型結(jié)構(gòu)

本文使用Inception-ResNet-V1[4]作為特征提取網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其結(jié)構(gòu)如圖4所示，它包含了主干網(wǎng)絡(luò)模塊，A、B、C三種Inception-ResNet模塊[4]以及A、B兩種縮減(Reduction)模塊[4]。Inception-ResNet-V1結(jié)合了Inception結(jié)構(gòu)[7]與ResNet網(wǎng)絡(luò)[8]的優(yōu)點，并且擁有比Inception-v3更快的收斂速度和比Inception-ResNet-v2[4]更少的計算成本。

圖4 Inception-ResNet-V1[4]架構(gòu)圖

3 無監(jiān)督人臉聚類算法

在無監(jiān)督學(xué)習(xí)中，訓(xùn)練樣本的標(biāo)記信息是未知的，無監(jiān)督學(xué)習(xí)的目標(biāo)是通過對無標(biāo)記樣本的學(xué)習(xí)來揭示數(shù)據(jù)的內(nèi)在性質(zhì)及規(guī)律。無監(jiān)督學(xué)習(xí)中最有效的是聚類算法。聚類將數(shù)據(jù)集中的樣本劃分為若干個子集，每個子集稱為一個“簇”。通過這樣的劃分，每個“簇”對應(yīng)一些潛在的概念或分類。人臉聚類算法通過學(xué)習(xí)數(shù)據(jù)集中所有人臉樣本在特征空間中的分布規(guī)律，將整個數(shù)據(jù)集劃分為若干個“簇”，每一個“簇”對應(yīng)預(yù)測一個ID。人臉聚類算法可以在只獲得人臉特征而沒有任何標(biāo)簽和先驗信息的情況下，對大量人臉數(shù)據(jù)進(jìn)行分類。

3.1 DBSCAN算法

DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一種基于密度的聚類算法，該算法從樣本密度的角度定義樣本間的相似性，并基于相似樣本不斷擴(kuò)展“簇”的規(guī)模，最終得到聚類結(jié)果。DBSCAN通過一組鄰域參數(shù)(Eps,MinPts)描述密度的概念，其中Eps表示樣本d的鄰域范圍(度量方式可以是歐式距離、曼哈頓距離等度量方式)，MinPts表示樣本d的鄰域至少包含MinPts個樣本。圖5給出直觀解釋，圖中虛線表示鄰域Eps的范圍，d1是核心對象，d2由d1密度直達(dá)，d3由d1密度可達(dá)，d3由d4密度相連。DBSCAN的“簇”定義是：由密度可達(dá)關(guān)系導(dǎo)出的最大密度相連樣本的集合。

圖5 DBSCAN定義的基本概念(MinPts=3)

鄰域參數(shù)(Eps,MinPts)是影響聚類效果的兩個重要超參數(shù)，減小Eps與增大MinPts會使樣本特征滿足“簇”的定義更加困難，不滿足“簇”定義的樣本(離群值)被記作噪聲。因此通過調(diào)整超參數(shù)(Eps,MinPts)，可以使該算法的聚類結(jié)果可以包含更少的噪聲。當(dāng)MinPts=1時，則表示單個樣本也可以滿足“簇”的定義，此時聚類結(jié)果中沒有噪聲；當(dāng)Eps足夠大，所有樣本被定義為一個簇，此時聚類結(jié)果中也沒有噪聲。

該算法具有類別數(shù)k不需要預(yù)先設(shè)定、可以處理非凸數(shù)據(jù)的優(yōu)點。但是由于DBSCAN算法的鄰域參數(shù)(Eps,MinPts)固定，當(dāng)樣本集D中不同簇Ci的稀疏程度不同時，相同的判斷標(biāo)準(zhǔn)可能會破壞聚類的自然結(jié)構(gòu)，即較稀疏的簇會被劃分為多個簇或密度較大且Eps較小的簇會被合并成一個簇。

3.2 近似等級排序聚類

近似等級排序(Approximate Rank Order)聚類[5]改進(jìn)了等級排序(Rank order)聚類[11]。等級排序聚類利用每個樣本的最近鄰樣本來刻畫樣本間相似度，是一種自下而上的凝聚層次聚類算法。不同于K-means聚類算法，等級排序聚類算法無需預(yù)設(shè)類別數(shù)；并且不同于歐氏距離、余弦距離、曼哈頓距離等直接的相似度度量方式，等級排序聚類算法提出一種間接的相似度度量方式——等級排序距離，如下式所示：

(4)

式中:fa表示樣本a的相似度排序列表，它是按照數(shù)據(jù)集中所有樣本與樣本a的相似度關(guān)系遞減排列的，fa(i)表示樣本a的相似列表中的第i個樣本，Ob(fa(i))則表示樣本fa(i)在樣本b的相似列表中的排序位置。這是一個非對稱距離，d(a,b)表示了樣本a以及樣本a相似度列表中比樣本b更靠前的樣本在樣本b的相似度列表中的位置，d(b,a)則相反，通常二者是不等的。在此基礎(chǔ)上，使用一個對稱距離更好地刻畫樣本a、b之間的相似度，如下式所示：

(5)

式中：min(Oa(b),Ob(a))是一個歸一化因子，它的目的是使樣本間的距離可比較，只有當(dāng)a靠近b，且b又靠近a時，距離D(a,b)的值最小。

若采用線性方法計算每個樣本的相似度列表，則需要O(n2)的復(fù)雜度，因此近似等級排序(Approximate Rank Order)聚類提出使用FLANN庫中的隨機(jī)k-d樹算法[14]計算出相似度列表的前k個樣本，只使用相似度列表中的前k個樣本進(jìn)行距離計算。此外重新定義了如下式所示的樣本距離：

(6)

(7)

式中：Ib(x,k)是一個指示函數(shù)，當(dāng)x在b的相似度列表的前k項中出現(xiàn)時，其值為0，否則為1。這就意味著樣本a、b的相似度列表中共同的相似樣本出現(xiàn)頻次的重要性高于共同樣本排序位置的重要性。算法流程如算法1所示。

算法1Approximate Rank-Order算法

輸入：

人臉數(shù)據(jù)的深度特征F={f1,f2,…,fN}，閾值t，相似近鄰數(shù)量k

過程：

1. 初始化簇C={C1,C2,…,CN}，將每個樣本作為一個“簇”，即C1={f1},C2={f2},…,CN={fN}；

2. 隨機(jī)k-d樹計算fi(i=1,2,…,N)的前k個近鄰，記作Ofi,k；

3. 對C中所有的fi、fj，根據(jù)對應(yīng)的Ofi,k與Ofj,k計算dm(fi,fj)與Dm(fi,fj)，即Dm(Ci,Cj)；

4. 如果Dm(Ci,Cj)

5. 將〈Ci,Cj〉作為候選融合對；

6. 對所有候選融合對進(jìn)行傳遞融合(如果〈Ci,Cj〉與〈Ci,Cj〉都是候選融合對，則合并為一個簇)

輸出：

簇：C={C1,C2,…,Cm}

3.3 聚類算法評價方法

為了能夠更好地評價人臉聚類算法對無標(biāo)簽數(shù)據(jù)的分類能力，本文使用改進(jìn)F1度量[5]對聚類結(jié)果進(jìn)行評價，如下式所示：

(8)

式中：Ppair稱為成對準(zhǔn)確率(pairwise precision)，它定義為所有簇中的正-正樣本對數(shù)量之和與所有簇中的正-正樣本對、正-負(fù)樣本對數(shù)量之和的比；Rpair稱為成對召回率(pairwise recall)，它定義為所有簇中的正-正樣本對數(shù)量之和與數(shù)據(jù)集中所有正-正樣本對數(shù)量之比。當(dāng)每個樣本都被聚類為單獨一個簇時，將會得到一個高的準(zhǔn)確率，但是召回率會很低，反之將所有樣本聚類為一個簇時，會得到很低的準(zhǔn)確率和高的召回率，因此F1度量將準(zhǔn)確率與召回率有機(jī)結(jié)合起來，只有在準(zhǔn)確率與召回率都取較高值時F1度量才能取得較高值。

4 實驗結(jié)果與分析

實驗在Ubuntu16.04系統(tǒng)下進(jìn)行，CPU為Intel(R) Core(TM) i9-7900XCPU@3.30 GHz，GPU為Nvidia Titan XP，內(nèi)存為64 GB DDR4 RAM，實驗環(huán)境是基于Linux的TensorFlow框架，實驗在GPU模式下運行。

4.1 人臉識別數(shù)據(jù)集

4.1.1訓(xùn)練數(shù)據(jù)集

本文使用CASIA-WebFace[15]人臉數(shù)據(jù)集對模型進(jìn)行訓(xùn)練，剔除與測試集LFW[1]重復(fù)的3個ID后，該數(shù)據(jù)集包含10 572個ID的約50萬幅人臉圖片，部分?jǐn)?shù)據(jù)如圖6(a)所示。訓(xùn)練之前對所有人臉圖片進(jìn)行人臉對齊、裁剪處理，裁剪后的圖片大小為112×96像素。

(a) CASIA-Webface部分?jǐn)?shù)據(jù)

(b) LFW部分?jǐn)?shù)據(jù)

(c) 視頻模糊人臉部分?jǐn)?shù)據(jù)圖6 人臉識別數(shù)據(jù)集實例

4.1.2測試數(shù)據(jù)集

本文使用人臉識別領(lǐng)域廣泛使用的LFW數(shù)據(jù)集對特征提取模型和人臉聚類模型進(jìn)行測試，該數(shù)據(jù)集包含5 749個ID的13 233幅人臉圖片，其中4 069個ID僅包含一幅圖片，部分?jǐn)?shù)據(jù)如圖6(b)所示。測試之前同樣對所有人臉圖片進(jìn)行人臉對齊、裁剪處理，裁剪后的圖片大小為112×96像素。LFW的測試協(xié)議包含了6 000組人臉驗證測試對，其中3 000對為相同ID，3 000對為不同ID，本文測試了模型在6 000組人臉對上的準(zhǔn)確率，以及0.1%誤識別率(FAR)下的驗證準(zhǔn)確率。

本文使用從視頻中采集的模糊人臉數(shù)據(jù)集對人臉聚類模型進(jìn)行測試，該數(shù)據(jù)集包含了500個ID的約15 000幅人臉圖片，其中多姿態(tài)的清晰人臉圖片約8 000幅，多姿態(tài)的模糊人臉圖片約7 000幅，平均每個ID含有30幅圖片，部分?jǐn)?shù)據(jù)如圖6(c)所示。先進(jìn)行與LFW數(shù)據(jù)集同樣的預(yù)處理；測試時將該數(shù)據(jù)集與LFW數(shù)據(jù)集混合，組成數(shù)據(jù)量大、類別數(shù)多、樣本數(shù)量不均衡、數(shù)據(jù)屬性差異大的混合測試集，混合測試集中的數(shù)據(jù)與真實應(yīng)用場景更加接近，測試結(jié)果能更準(zhǔn)確地反映出算法的魯棒性和應(yīng)用價值。

4.2 人臉特征提取

使用附加間隔(Additive Margin)Softmax損失函數(shù)，Inception-ResNet-V1網(wǎng)絡(luò)，對齊并裁剪后的CASIA-WebFace人臉數(shù)據(jù)集，訓(xùn)練人臉特征提取模型。訓(xùn)練前對訓(xùn)練數(shù)據(jù)進(jìn)行隨機(jī)鏡像預(yù)處理，訓(xùn)練時設(shè)置附加間隔softmax損失的超參數(shù)m=0.35、s=30，每批數(shù)據(jù)大小(batch size)為256，人臉特征維度128，權(quán)重衰減系數(shù)5e-4，起始學(xué)習(xí)率0.1，依次在第18 000、30 000、33 000次迭代后衰減為前一次的十分之一，最終迭代次數(shù)為35 000。

然后分別使用Softmax損失函數(shù)、中心損失[16](center loss)函數(shù)訓(xùn)練人臉識別模型作為對比實驗。中心損失體現(xiàn)了度量學(xué)習(xí)的思想，目的是為每個類別學(xué)習(xí)一個中心cyi，并通過特征與類別中心之間的歐式距離將每個類別的特征fi拉向?qū)?yīng)的類別中心，其公式如下：

(9)

通常將中心損失與Softmax損失聯(lián)合使用，如下式所示：

(10)

式中：λ為超參數(shù)，本文中λ取0.02。

Softmax模型與中心損失模型同樣采用Inception-ResNet-V1網(wǎng)絡(luò)與對齊并裁剪后的CASIA-WebFace人臉數(shù)據(jù)集從零開始訓(xùn)練。實驗結(jié)果如表1所示。

表1 人臉特征提取模型在LFW測試集上的比較

實驗結(jié)果表明，基于附加間隔Softmax的人臉識別模型在LFW數(shù)據(jù)上具有更高的識別準(zhǔn)確率和驗證準(zhǔn)確率(FAR=0.1%)。

4.3 人臉聚類算法分析

使用基于附加間隔Softmax模型提取的深度人臉特征對比經(jīng)典的K-means算法、基于密度的DBSCAN算法以及近似等級排序算法，結(jié)果如表2所示。在LFW數(shù)據(jù)集上，近似等級排序聚類取得了0.801的高分，遠(yuǎn)高于其他算法的F1度量得分，并且聚類得到的簇的數(shù)量非常接近真值；K-means與DBSCAN算法得分接近，K-means算法設(shè)置超參數(shù)K等于真值，因此得到的簇數(shù)等于真值；DBSCAN算法得到的簇數(shù)與真值也較為接近。

表2 基于附加間隔softmax特征的聚類算法 在LFW數(shù)據(jù)集上的結(jié)果比較

如表3所示，LFW與視頻模糊人臉混合集的數(shù)據(jù)量與數(shù)據(jù)復(fù)雜度較LFW大幅增加，三種算法的F1度量得分都顯著降低，近似等級排序聚類得分仍然明顯高于K-means與DBSCAN算法；K-means算法得分略有降低，DBSCAN算法得分接近0，近乎失效；但聚類得到簇的數(shù)量大約是真值的兩倍，這可能是由于模糊人臉數(shù)據(jù)的引入造成人臉特征類內(nèi)差異增大，實際屬于同一ID的數(shù)據(jù)被誤分為多類。計算復(fù)雜度方面，近似等級排序聚類用時最少，分別是K-means算法的0.14倍和DBSCAN算法的0.45倍，這是因為隨機(jī)k-d樹的使用極大降低了算法的時間復(fù)雜度。

表3 基于附加間隔softmax特征的聚類算法 在混合數(shù)據(jù)集上的結(jié)果比較

實驗結(jié)果表明近似等級排序聚類更適合處理較大規(guī)模的復(fù)雜人臉數(shù)據(jù)。

4.4 人臉特征魯棒性分析

使用基于Softmax模型、中心損失模型與附加間隔Softmax模型的128維深度人臉特征測試近似等級排序聚類算法。如表4所示，三種特征在LFW數(shù)據(jù)集上的測試結(jié)果差距不大。如表5所示，當(dāng)數(shù)據(jù)集規(guī)模與復(fù)雜度增加，三種特征的測試結(jié)果差距變大，附加間隔Softmax特征取得最高分。實驗結(jié)果表明附加間隔Softmax特征具有較強(qiáng)的魯棒性。

表4 基于不同人臉特征的近似等級排序聚類算法 在LFW數(shù)據(jù)集上的結(jié)果比較

表5 基于不同人臉特征的近似等級排序聚類算法 在混合數(shù)據(jù)集上的結(jié)果比較

5 結(jié) 語

針對數(shù)據(jù)量巨大、類別多、真實類別數(shù)未知、樣本數(shù)量不均衡、類內(nèi)變化多的無標(biāo)簽人臉圖像分類問題，本文提出了基于附加間隔Softmax特征的近似等級排序人臉聚類算法：首先使用附加間隔Softmax損失結(jié)合Inception-ResNet-V1網(wǎng)絡(luò)訓(xùn)練人臉識別模型，然后使用該模型提取深度人臉特征應(yīng)用于近似等級排序聚類。本文在LFW數(shù)據(jù)集、LFW與視頻模糊人臉的混合數(shù)據(jù)集上進(jìn)行實驗，通過分析識人臉別準(zhǔn)確率、驗證率(FAR=0.1%)、F1度量得分、算法復(fù)雜度等指標(biāo)，說明基于附加間隔Softmax特征的近似相似度排序聚類算法具有較強(qiáng)的魯棒性，在處理復(fù)雜度的大規(guī)模無標(biāo)簽人臉數(shù)據(jù)方面具有應(yīng)用價值。

本文使用的所有人臉數(shù)據(jù)僅用于科研目的，不做商業(yè)用途。