AAAI 2023 Oral | 图像质量堪忧干扰视觉识别，达摩院提出更鲁棒框架

本文介绍被机器学习顶级国际会议 AAAI 2023 接收的论文 《Improving Training and Inference of Face Recognition Models via Random Temperature Scaling》。论文创新性地从概率视角出发，对分类损失函数中的温度调节参数和分类不确定度的内在关系进行分析，揭示了分类损失函数的温度调节因子是服从 Gumbel 分布的不确定度变量的尺度系数。从而提出一个新的被叫做 RTS 的训练框架对特征抽取的可靠性进行建模。基于 RTS 训练框架来训练更可靠的识别模型，使训练过程更加稳定，并在部署时提供一个对样本不确定度的度量分值，以拒识高不确定的样本，帮助建立更鲁棒的视觉识别系统。大量的实验表明 RTS 可以稳定训练并输出不确定度度量值来建立鲁棒的视觉识别系统。

• 论文地址：https://arxiv.org/abs/2212.01015
• 开源模型：https://modelscope.cn/models/damo/cv_ir_face-recognition-ood_rts/summary
  
  

设不确定度是符合标准 Gumbel 分布的随机变量，则概率密度函数可以写为,累积分布函数为，分类为 k 类的概率值为：

将  带入上式可以得到：

可以看到，分类为 k 类的概率值就是符合 softmax 函数的分值，同时我们可以用一个 t 来调节不确定度的尺度，即，则符合标准 Gumbel 分布：

个独立 gamma 分布变量的和：

式中，这样 t 服从，\beta = \frac {\alpha - 1}{v})$ 分布。v 和对分布的影响如下图。

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：[email protected]