基于图神经网络的百万数据人脸聚类

• 作者: 何川 侯进 李金彪
• 来源期刊: 微电子学与计算机
• 关键词: K近邻 图卷积神经网络 人脸聚类 邻接矩阵 稀疏矩阵
• 年，卷（期）: 2022,（7）
• 所属期刊栏目: 人工智能与算法
• 页码范围: 24-35
• 页数: 11页
• 分类号: TP183
• 语种: 中文
• DOI: 10.19304/J.ISSN1000-7180.2022.0027

摘要

人脸聚类是利用未标记人脸数据的重要工具，在人脸标注和检索等方面有着广泛的应用.如何有效地聚类，特别是在大规模(如百万级或以上)数据集上，是一个悬而未决的问题. 最近的研究表明，基于图卷积神经网络(GCN)的聚类可以显著提高性能.然而这些方法需要生成大量的重叠子图，严重限制了模型的精度和效率.由于这些GCN算法没有分析过不同数据特征对模型的影响，通常仅在特定的数据集上表现出优异的性能.本文综合分析了距离、实例个数分布差异对模型的影响，提出了一种基于DBSCAN的图卷积网络模型.通过两段距离形成二次聚类模型，消除了DBSCAN对距离的依赖，提高了模型精度，在多个数据集中最高提升了20%；通过探索融合one-hot特征编码方式、多种邻接矩阵构图方法，进一步提升了模型的鲁棒性；通过邻接矩阵稀疏化算法解决了人群数量动态变化问题.在多个大型基准上的实验表明，相较于现有GCN算法，所提算法精度提高了2%~7%，并降低了对硬件的要求，提升了运行效率，可以应用于百万级的人脸聚类场景.