冠军分享：多人种人脸识别
天才儿童队伍由三名队员组成，成员由在读研究生和博士生组成，主要的研究方向是图像特征提取，目标识别与检测。团队有着丰富的项目经验和比赛经验。
文本是他们本次参赛的分享，比赛代码已经开源。
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（顺便吐槽下，奖金较少还要扣掉租服务器，但是去郑州玩得很开心，主办方非常用心在此表示感谢）。
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。
by 天才儿童
01 方案摘要
随着人脸识别技术不断成熟，市场需求将加速释放，应用场景不断被挖掘。从社保领取到校园门禁，从远程授权到安检闸机检查，人脸识别正在不断打开市场。人脸识别应用在加速普及，行业也呈现出新的发展趋势。
本文应用深度学习技术对人脸数据集进行建模，进行了数据与模型方面的探索，搭建了一套面向实际场景的人脸识别方案。我们首先提出了适合人脸图像的数据增强方法，构建了有监督与无监督结合的人脸识别模型，并搭建了一种推理模型，以此对人脸图片进行相似度判断。
团队本次复赛A榜得分0.6582，B榜得分0.6583，均为线上第一。
02 比赛背景&数据集
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。
从数据集统计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。
现有的人脸识别测试过程，通常是提取人脸的特征向量，再通过向量距离比如余弦相似度进行对比，而非直接通过网络推理得到标签。特征提取作为人脸识别最关键的步骤，已经有了很多成熟的网络模型。接下来我们主要从神经网络的损失函数，骨干网络2个角度进行分析。
03 有监督模型
在ResNet2015年被提出后，越来越多优秀的网络基于ResNet进行优化更新也取得卓越成就，而在网络结构与进一步升级优化有困难的情况下，研究者逐步将目光转向损失函数上。2018年提出的arcface的主要创新点就是优化损失函数。在传统的Softmax基础上提出了Center Losas，最终arcface损失函数包含Softmax loss 和 Center Loss。
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。
04 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。
05 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：
（1）提出了一种人脸图像优化算法，建立了优化指标，可以较为准确地选出有效的图像增强方法。
（2）对最新的人脸识别模型进行了分析与归纳，并进行了实验优化。
（3）无监督模型在保证精度的情况下，线下的理论复杂度与增量迭代，使得其可以用于大规模数据集中。并且可以有更多的业务拓展，比如人脸标注、数据清洗和多账号检测等。
（4）方案可移植性好，可复用性强。
比赛链接：
https://www.datafountain.cn/competitions/348
冠军代码：
https://github.com/themostnewone/2019ccf
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。
代码参考指北的小暇米的框架，在此表示感谢。
https://discussion.datafountain.cn/questions/1904/answers/22795
备注：公众号菜单包含了整理了一本AI小抄，非常适合在通勤路上用学习。
