无标签数据如何提升人脸识别性能

随着模型越来越深，标注数据越来越难增加，人脸识别可能遇到瓶颈。本文来自MMLab香港中文大学-商汤科技联合实验室，提出一种有监督的Metric用于人脸聚类，来部分解决无标注数据内部结构复杂、依赖特定Metric、缺乏Outlier控制，以及时间复杂度等问题。

人脸识别也许是最成功也最先到达瓶颈的深度学习应用。在Go Deeper, MoreData，Higher Performance的思想指导下，模型更深了，数据却越来越难增加。目前在人脸的公开数据集标到了百万级别，人脸识别百万里挑一的正确率达到99.9％（MegaFace Benchmark）之后，发现再也标不动了。标注员能标出来的数据永远是简单样本，而人脸识别模型是个“深渊”，当你凝视“深渊”的时候，“深渊”并不想看到你。

“深渊”想看到这样的数据，并且明确被告知不是同一个人：

以及这样的数据，并且明确被告知是同一个人：

在把标注员弄疯之前，不如先让模型自己去猜一猜，说不定就猜对了呢？这其实就是半监督学习的思路。利用已有的模型对无标签数据做某种预测，将预测结果用来帮助模型训练。这种自我增强（Self-Enhanced）的学习方式，虽然看起来有漂移（Drift）的风险，但实际用起来还挺好用 [5]。对于闭集（Close-Set）的问题，也就是所有数据都属于一个已知的类别集合（例如ImageNet, CIFAR等），只需要模型能通过各种方法，例如标签传播（labelPropagation）等，预测出无标签数据的标签，再把它们加入训练即可。

然而问题来了，人脸识别是一个开集（Open-Set）的问题。

例如，人脸比对（Verification）、人脸鉴定（Identification）等任务中，测试样本的身份（Identity）通常没有在训练样本中出现过，测试过程通常是提取人脸特征进行比对，而非直接通过网络推理得到标签。同样，对于无标注数据，在采集的过程中，人脸的身份也是未知的。可能有标注的数据的人脸属于10万个人，而新来的无标注数据属于另外10万个人，这样一来就无法通过预测标签的方式把这些数据利用起来。而聚类不同于半监督学习，只需要知道样本的特征描述（Feature）和样本之间的相似度度量标准（Metric）就可以做聚类。聚完类之后再给每个类分配新的标签，同样可以用来帮助提升人脸模型。

人脸聚类方法

传统的人脸聚类一般采用LBP、HOG之类的手动设计的特征，因为这类特征过于过时，不在我们讨论的范畴。而深度学习时代的人脸聚类，一般采用卷积神经网络（CNN）中提取出来的特征 [4]。人脸识别的CNN通常把人脸图片映射（Embedding）到一个高维的向量，然后使用一个线性分类器，加Softmax激活函数和交叉熵损失（Cross Entropy Loss）来训练。

紫色的向量即为人脸特征（图片来自 [3]）

这种方式决定了这些经过映射（Embedding）后的人脸在特征空间里分布在不同的锥形（Cone）中（下左图），因而可以使用余弦相似度（Cosine Similarity）来度量相似度。或者如果对人脸特征做二范数（L2）归一化，那么人脸特征则会分布在一个球面上（下右图），这样可以使用L2距离来度量。

图示为2维，实际在高维空间（图片来自 [6]）

有了特征和度量标准之后，就可以考虑如何选择一个聚类算法了。现成的聚类算法包括K-Means,Spectral, DBSCAN, Hierarchical Agglomerative Clustering (HAC), Rank Order等以及它们的变种。利用这些方法聚类之后，将每一类中的样本分配相同的标签，不同的类分配不同的标签，就可以用来充当训练集了。

到此为止，似乎已经可以顺利地完成这个任务了。然而

使用20万张图提取特征之后来测试一下这些聚类算法，K-Means花了10分钟，HAC花了5.7小时，DBSCAN花了6.9小时, Spectral花了12小时。若使用60万张图片提取的特征来做聚类，K-Means超内存了，HAC花了61小时，DBSCAN花了80小时，Spectral跑到天荒地老之后也甩了一句超内存。当图片数量增加到140万的时候，几乎所有的聚类算法都挂了。

K-Means, Spectral, HAC等传统聚类方法的问题主要在于以下方面：

(a) 聚类算法具有较高的时间复杂度。例如，K-Means是O(NKT)，Spectral是O(N^3)，HAC是O(N^2)。

(b) 通常认为数据分布服从某些简单的假设。例如，K-Means假设数据类内具有球状的分布 [2]，并且每一类具有相同的方差（Ariance），以及不同的类具有相同的先验概率。然而对于大规模人脸聚类，无标注数据通常来源于开放的场景（in-the-wild），数据内部的结构比较复杂，难以一致地服从这些假设。例如，我们期望数据长这样（如下左图）：

(c) 通常使用某种特定的Metric。例如上述提及的Cosine Similarity和L2距离。同样，对于复杂的数据结构，衡量两个样本是否属于同一类，单纯靠样本之间的局部相似度是不够的，这个metric需要融合更多信息。

(d) 缺乏较好的离群值（Outliers）控制机制。Outliers来源于人脸识别模型对难样本的Embedding误差，以及观测到的数据不完整。尽管部分聚类算法例如DBSCAN理论上对Outliers鲁棒，但从其实际表现来讲这个问题远没有得到解决。

有监督的Metric

终于可以说说自己的工作了。我们被ECCV2018接收的一篇论文（Consensus-Driven Propagation in Massive Unlabeled Data for FaceRecognition），简称CDP [1]，尝试解决上述这些问题中的一部分。我们提出了一种有监督的Metric用于人脸聚类，来部分解决无标注数据内部结构复杂、依赖特定Metric、缺乏Outlier控制的问题，顺便还解决了一下时间复杂度的问题（CDP做到了线性复杂度），当然性能也提升了一大截。

介绍方法之前我们先来介绍一下Affinity Graph。Graph在半监督学习和聚类上经常出现。Affinity Graph的节点是数据样本，边代表数据之间的相似度。一种常见的Affinity Graph是KNN Graph，即对所有样本搜索K近邻之后将样本与其近邻连接起来得到。我们的方法CDP基于KNN Graph来构建数据的结构。

CDP本质是学习一个Metric，也就是对样本对（Pairs）进行判断。如下图，CDP首先使用多个人脸识别模型构建成一个委员会（Committee）， Committee中每个成员对基础模型中相连的Pairs提供包括关系（是否是Neighbor）、相似度、局部结构等信息，然后使用一个多层感知机（MLP）来整合这些信息并作出预测（即这个Pair是否是同一个人）。

这个过程可以类比成一个投票的过程，Committee负责考察一个候选人（Pair）的各方面信息，将信息汇总给MLP进行决定。最后将所有的Positive Pairs组成一个新的Graph称为Consensus-driven Graph。在此Graph上使用简单的连通域搜索并动态剪枝即可快速得到聚类。由于MLP需要使用一部分有标签的数据来训练得到，所以CDP是一种基于有监督的Metric的聚类方法。

CDP框架

接下来就是激fei动chang人wu心liao的结果分析了。

在复杂度上，CDP由于只需要探索局部结构，因此除了KNN搜索之外，聚类部分的复杂度是接近线性的。在20万数据上，不计入KNN搜索（依赖别的库）的时间的话，CDP单模型的耗时是7.7秒，多模型的耗时是100秒。在140万数据上，CDP单模型的耗时是48秒，多模型的耗时是585秒。试验结果上看时间复杂度甚至低于线性（小于7倍）。

在聚类结果上，例如对20万数据聚类，即使使用单模型也达到了89%的fsCore，多模型可以达到95.8%，强于大部分传统聚类算法。各种聚类算法运行时间和性能测试见GitHub。

我们的实验中使用CDP聚类后的数据加入人脸识别模型的训练之后，可以让模型达到接近全监督（使用Ground Truth标签）的结果。如下图所示：

在两个测试集（Benchmark）上，随着数据的增多，用CDP聚类结果训练的人脸模型性能的增长接近全监督模型（所有数据都使用Groundtruth标注）。有趣的是在IJB-A上我们的结果超过了全监督模型，原因可能是训练集的Ground Truth标签会有一些噪声（Noise），例如误标注，导致全监督模型在IJB-A的某些测试样例上表现不佳。

下图是切换不同的CNN模型结构后的结果：

聚类后的部分结果如下图所示：

每一组代表聚完类后属于同一类

我们发现CDP还可以用来做数据和标签清理（Denoise）。例如一个标注好的数据集可能有一些标错的样本，或者非常低质量的图片，可以使用CDP来找到这些图并舍弃。如下图：

每一组人脸在原始标注中属于同一个人，左上角数字是CDP分配的标签，红框中的样本为CDP丢弃的样本，包括：1. 被错误标注进该类，实际是一个孤立点的样本。2. 低质量图片，包括过度模糊、卡通等。

在这篇工作中我们发现，基于学习的Metric能基于更多的有效信息进行判断，会比手动设计的Metric更擅长解决比较复杂的数据分布。另外，这种类似多模型的投票的方式在鲁棒性上带来了很大提升，这样可以从无标签数据中发掘出更多的难样本。