点击我爱计算机视觉标星，更快获取CVML新技术

本文转载自一碗数据汤，为2019 CCF BDCI比赛多人种人脸识别一等奖获奖团队技术方案分享，除了使用了监督学习、图像增强、模型融合，作者还使用了无监督学习，非常值得相关同学参考！

怎么划分人种？

多人种人脸识别

赛题信息

出题单位：蚂蚁金服

赛题类型：第二赛道-系统题

技术方向：性能优化，人脸识别

赛题背景

人脸识别技术在实际应用中在不同人种的性能有差异。如何快速的提升人脸识别系统在不同人种的性能， 是一个实用的人脸识别算法应该考虑的问题。

赛题任务

要求结合一个给定的模型 （InsightFace）， 提高该模型在一个给定人种上面的人脸识别性能。

团队信息 >>

团队名称：天才儿童

成员介绍：

李海：队长，华中科技大学。

李洋：队员，上海交通大学。

张靖茹：队员，中国农业大学。

比赛经验&干货分享

前言

这次比赛图像领域的一些大佬并没有参加，给了我们一次咸鱼翻身的机会。

一般这种图像赛最少2张卡，4张卡以上最佳，实验室或者公司应该有这种硬件条件，这也是相对于表格结构数据比赛的门槛。

拿到特等奖完全是意料之外的事情，八分运气在里面。要知道优秀的队伍很多，比我们强的也不少。

技术之外的秘籍这种事情你认为有就有，认为没有就没有，只要相信自己的本心努力就好。

方案描述

接下来结合PPT描述本方案，女神镇楼：

我们可以看到训练集中白种人数量远超过其他人种，而测试集中各人种数量均衡。

可以看到数据集具有多样性。

第4种是我们发现的主办方创造数据集的方法，如果有时间的话，可以根据这个思路继续做图像增强，训练一个使用主办方方法增强的模型，效果应该会更好。

图像增强的方法非常多，大概包括这些方法：水平翻转、旋转、平移、缩放、直方图、平滑、滤波、色度抖动、锐度抖动。而且这些方法相互组合效果也不一样。除了线上提交以外，可以先建立几种指标线下判断。

有监督模型

模型使用arcface效果最好，人脸识别方面就是arcface一枝独秀了，其他模型在比赛中效果有差距但可以用于模型融合。

损失函数采用Focal Loss最佳。

模型的骨干网络使用Resnet系列，当然还融合了其他的网络包括IResnet,Resnext,Densenet.

无监督模型

然后我们还使用了无监督的模型进行后处理。
ECCV2018的论文《基于模型共识的大规模无标注数据标签传播》。其假设已经有了少量的标注图像，对于大量的未标注图像，生成其样本标签对，可以称其为半监督算法。

我们对其进行了改进，最终效果是一种无监督的人脸聚类模型。人脸聚类的方法不少，第二名也使用了类似聚类的方法。我们选择这个模型的主要原因是因为快，当然第二名的方法也许精度更高。

人种后验概率修正，利用人种的信息对预测概率进行修正。

当获得了聚类ID后：
（1）对同一类ID判断为同一个人，
（2）不同类ID判断为不同人，
（3）对于没有划分的人，取原概率。

模型融合

这里再介绍一些模型：
这个模型分数并不高，但融合效果较好。

这个是我们搭建的模型，实际方案没有采用，这里提供给大家思路。

融合方案如下：

图中是15种模型，低分模型的权重已经是1%左右了，提升只是万分位的，如果不刷分只需要效果最好的5种模型就可以了。
得到最终方案：

下面的代码给出了所有图像增强方法与分数最高的3种12个有监督模型。
https://github.com/themostnewone/2019ccf

代码使用AI指北的小暇米的框架，在此表示感谢。
https://discussion.datafountain.cn/questions/1904/answers/22795

同时感谢你的阅读，欢迎交流讨论。

感谢天才儿童团队的分享

欢迎访问DataFountain官网https://www.datafountain.cn/

了解更多大赛资讯

相关阅读：

新思路！商汤开源利用无标注数据大幅提高精度的人脸识别算法

人脸技术交流群

关注最新最前沿的人脸检测、识别、跟踪、对齐、重建技术，扫码添加CV君拉你入群，（如已为CV君其他账号好友请直接私信）

（请务必注明：人脸）

喜欢在QQ交流的童鞋，可以加52CV官方QQ群：805388940。

（不会时时在线，如果没能及时通过验证还请见谅）

长按关注我爱计算机视觉