人脸识别中的增量学习

Question

我正在尝试为人脸识别应用程序实施增量/在线学习。 我已经在数据集上训练了一个模型并且它工作得非常好，但是，我需要随着时间的推移捕获新的面孔（类）并将它们添加到现有的数据集中。 有什么方法可以让我用新的类来训练模型而无需从头开始重新训练？

到目前为止，我还没有找到任何丰富的资源，如果有人能在某处指出我，我真的很感激。

Answer 1

我的建议是使用以下两种技术之一训练您的模型：

• 度量学习：使用 siamese 或三元组网络来相互比较图像。 如果您的数据集很小，这是一个不错的选择。 https://arxiv.org/abs/1503.03832
• 使用 center loss + softmax：将问题呈现为分类并训练。 https://ydwen.github.io/papers/WenECCV16.pdf

最后，您应该认为您不会保留该模型，而只会将其用作特征提取器。 换句话说，模型将非常擅长提取面部信息，而不是分类（这不是他们的任务）。

稍后您修复该模型，您可以做不同的事情：

• 直接使用距离作为余弦来识别相对于数据集最近的人脸（如果您不需要非常确定的准确度，它可以工作）。 您直接在您的面部特征和整个数据库之间使用 KNN，并将识别为最接近的面部。

• 您训练一个额外的模型，该模型使用前一个模型的特征。 您可以再次使用神经网络，但在这种情况下，我的建议是使用 SVM（因为 SVM 模型作为 LASVM 是在线学习的近似）。 因此，他们只需要每隔一段时间训练一个小的分类器。 https://machinelearningmastery.com/how-to-develop-a-face-recognition-system-using-facenet-in-keras-and-an-svm-classifier/