- From Face Recognition to Models of Identity: A Bayesian Approach to Learning about Unknown Identities from Unsupervised Data,ECCV 2018
论文链接
概要：
当前人脸识别存在两个问题：
- 当前系统无法从大量未标注数据中受益；
- 泛化到新身份的能力差。
贡献：
- 提出无监督的人脸识别模型，可以明确推断出未见过的人脸（具体来讲？？）
- 提出新颖且鲁棒的标签模型，使其通过学习有身份标注和无身份标注的图像来预测人脸
于是我们提出了集成的贝叶斯模型，该模型连贯性地证明了观察到的图像、身份、名字的部分知识和情境背景。该模型不但对已知身份识别能力很好，也能发现新身份（新身份包括熟悉的人脸但标签未知和完全不熟悉的人脸），通过观察哪些身份往往被一起观察，学习将身份与不同的上下文(context???)关联。
1.介绍
我们通常将面部识别问题划分为两个子问题： recognition and tagging
观察图1a，标准人脸识别是完全监督的，依赖于大量高质量标注的数据集，但是这种方法和人类的社会经验相比还是有限的。
观察图b，人脸识别不会发生在孤立的环境中，而是发生在情境环境中。实际情况中，有标注的图像很少，例如人类在日常生活中，熟人介绍新身份的人脸只介绍一次，人类可以将身份信息推广到所有的照片。所以我们引入了集成的贝叶斯模型，反映了关于身份分布、情境意识、标签等所有考虑因素。
2.相关工作
1）其它人脸识别，常将自己局限于点估计(即对样本数据进行参数估计，得到的是一个具体的数值)，是点到点的过程。我们的方法是端到端的过程，是基于网络的。
2）我们的模型是human-like的
3）上下文模型、身份模型、人脸模型
生成模型概述，未填充节点表示潜在变量，阴影节点表示观测到的，半阴影节点表示仅针对索引的子集观测到的，未圈定节点表示超参数。
π0和πc分别是全局和上下文的身份概率；w表示上下文概率；cm表示上下文标签，由框架号fn索引，fn ∈ {1, . . . , M}；zn是潜在的身份指示器；xn是观测到的人脸；yn是xn对应的身份标注；θi是face model的参数；yi*包含了所有的身份标签。
3.模型
假设数据以相机框架(照片或视频)的形式收集，用人脸检测系统裁剪完，根据框架书fn分组，fn ∈ {1, . . . , M}。
1）context model。在身份识别场景中，想象一下人在上下文之间移动，(e.g. home–work–gym…)，于是对于每个观测提出一个上下文标签cn ∈ {1, . . . , C}，可以对同一环境中出现的多个人脸进行更正确的预测，提升混合模型的聚类效果。
cm*根据概率w独立分布，概率w符合Dirichlet分布。
k阶Dirichlet分布： 
2）Identity model。在日常生活场景中，随着观测人脸数目的增加，独特的面孔也会增加，但是比前者慢很多，并且可以认为是无限的。
2.Monocular Reconstruction 单眼重建的自监督人脸模型
名称：Self-Supervised Multi-Level Face Model Learning for Monocular Reconstruction at Over 250 Hz,斯坦福大学，CVPR 2018