通过适应式挖掘和噪声和硬样品的边缘化进行强大的面部识别
概括
这项研究引入了一个强大的深度面部识别模型,通过自适应地平衡硬和杂样本,有效处理杂的数据集. 这种新的方法在损坏的数据上实现了高精度,超过了现有的方法.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 深度面部识别模型与包含噪音和错误标记的身份的大型数据集作斗争.
- 现有的模型通常是为干净的数据集设计的,这限制了它们在真实世界的数据上的性能.
研究的目的:
- 提出一个强大的深度面部识别模型,能够直接在杂的数据集上进行训练.
- 为了减轻噪音和错误标记身份的影响,在深度人脸识别模型的培训过程中.
主要方法:
- 整合基于边际的学习与基于采矿的噪音减轻方法.
- 实施适应噪音的采矿战略,并进行批量级绩效监测.
- 开发一种新的反噪声损失功能,用于对噪声和清洁数据集进行强有力的训练.
主要成果:
- 拟议的模型在清洁的数据集上实现了竞争性性能.
- 在现实世界和合成噪音数据集上显著优于现有模型,包括近距离和开放式噪音.
- 在受噪声破坏的数据集上保持超过95%的准确性,与现有的模型不同,这些模型的性能下降了20%左右.
结论:
- 提出的强大的深度面部识别模型有效地在没有预先训练的情况下在杂的数据集上进行训练.
- 适应噪声的策略和反噪声损失功能提高了对数据腐败的弹性.
- 该模型在具有挑战性的数据集上展示了与最先进的方法相比的卓越性能和稳定性.
