Learn to Cluster Faces with Better Subgraphs

要約

タイトル：より良いサブグラフを使って顔をクラスタリングする方法の学習

要約：

– 顔をクラスタリングすることで、無数のラベルのない顔データに疑似ラベルを与え、異なる顔認識モデルの性能を向上できる。
– 既存のクラスタリング手法は、一様な閾値または学習されたカットオフ位置に基づいて実装されたサブグラフ内の特徴を集約することが一般的である。これはサブグラフのリコールを減らし、クラスタリングの性能を低下させる可能性がある。
– この研究では、ノイズを大幅に減らし、サブグラフのリコールを改善することができる効率的な近隣知覚サブグラフ調整方法を提案している。また、遠く離れたノードを同じセンターに収束させることができる。
– この提案手法は、2つのコンポーネント、つまり、近傍からの埋め込みの強化と構造情報の抽出のためのノードペアの隔離サブグラフ構築から構成される。
– 埋め込みは組み合わされ、全ノードペアのリンケージ確率を予測するために結合し、コサインの類似性を置き換え、より新しいサブグラフを生成することができる。
– 提案手法は、3つのベンチマークデータセットを使用して一連のクラスタリングソリューションに対する広範な実験によって検証され、数値結果は、一般化能力においてSOTAソリューションを上回ることを確認している。

要約(オリジナル)

Face clustering can provide pseudo-labels to the massive unlabeled face data and improve the performance of different face recognition models. The existing clustering methods generally aggregate the features within subgraphs that are often implemented based on a uniform threshold or a learned cutoff position. This may reduce the recall of subgraphs and hence degrade the clustering performance. This work proposed an efficient neighborhood-aware subgraph adjustment method that can significantly reduce the noise and improve the recall of the subgraphs, and hence can drive the distant nodes to converge towards the same centers. More specifically, the proposed method consists of two components, i.e. face embeddings enhancement using the embeddings from neighbors, and enclosed subgraph construction of node pairs for structural information extraction. The embeddings are combined to predict the linkage probabilities for all node pairs to replace the cosine similarities to produce new subgraphs that can be further used for aggregation of GCNs or other clustering methods. The proposed method is validated through extensive experiments against a range of clustering solutions using three benchmark datasets and numerical results confirm that it outperforms the SOTA solutions in terms of generalization capability.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI