计算机科学 ›› 2021, Vol. 48 ›› Issue (11A): 275-277.doi: 10.11896/jsjkx.201200102

• 图像处理& 多媒体技术 • 上一篇    下一篇

基于图卷积神经网络的完全图人脸聚类

王文博, 罗恒利   

  1. 南京航空航天大学计算机科学与技术学院 南京211106
  • 出版日期:2021-11-10 发布日期:2021-11-12
  • 通讯作者: 王文博(wangwb.96@nuaa.edu.cn)

Complete Graph Face Clustering Based on Graph Convolution Network

WANG Wen-bo, LUO Heng-li   

  1. School of Computer Science and Technology,Nanjing University of Aeronautics and Astronautics,Nanjing 211106,China
  • Online:2021-11-10 Published:2021-11-12
  • About author:WANG Wen-bo,born in 1996,master.His main research interests include face recognition and face clustering.

摘要: 人脸聚类是根据不同身份对人脸图像进行分组的方法,主要用于人脸标注和图像管理等领域。针对现有方法中存在大量冗余数据的问题,文中使用一种基于完全图约束和上下文关系进行链接预测的方法。该聚类算法基于图卷积神经网络进行链接预测,结合完全图约束筛选数据,同时在预测的过程中对链接关系进行不断的更新。实验结果显示,结合完全图约束的人脸聚类方法能够在减少冗余数据、加快运行速度的同时,提升聚类的准确率,从而提高聚类的整体效果。

关键词: 人脸聚类, 链接预测, 完全图约束, 图卷积神经网络

Abstract: Face clustering is a method of grouping face images according to different identities,which is mainly used in the fields of face annotation,image management.etc.There is massive redundant data in existing methods.To handle this issue,this paper uses a link prediction method based on complete graph constraint and context relationship.The clustering algorithm is based on graph convolution network for link prediction,combined with complete graph constraints to filter data,and the link relationship is constantly updated in the process of prediction.Experimental results show that the face clustering method combined with complete graph constraint can reduce redundant data,speed up the operation,and improve the accuracy of clustering.Thus it improves the overall performance of clustering.

Key words: Face clustering, Link prediction, Complete graph constraint, Graph convolution network

中图分类号: 

  • TP391.4
[1]ZHANG Z,LUO P,CHEN C L,et al.Joint face representation adaptation and clustering in videos[C]//European Conference on Computer Vision.Springer,2016:236-251.
[2]SUN Y,WANG X,TANG X.Deep Learning Face Representation by Joint Identification-Verification[C]//Advances in Neural Information Processing Systems.2014:1988-1996.
[3]SUN Y,WANG X,TANG X,et al.Deep Learning Face Representation from Predicting 10 000 Classes[C]//Processing of the IEEE Conference on Computer Vision and Pattern Recognition.2014:1891-1898.
[4]https://github.com/cmusatyalab/openface.
[5]DENG J,GUO J,XU E N,et al.ArcFace:Additive AngularMargin Loss for Deep Face Recognition[C]//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR).IEEE,2019.
[6]MACQUEEN J.Some Methods for Classification and Analysis of Multi-Variate Observations[C]//Proc of Berkeley Symposiumon Mathematica lStatistics & Probability.1965.
[7]BIRANT D,KUT A.ST-DBSCAN:An algorithm for clustering spatial-temporal data[J].Data & Knowledge Engineering,2007,60(1):208-221.
[8]SHI Y,OTTO C,JAIN A K.Face clustering:representation and pairwise constraints[J].IEEE Transactions on Information Forensics and Security,2018,13(7):1626-1640.
[9]LIN W,CHEN J,CASTILLO C D,et al.Deep Density Clust-ering of Unconstrained Faces[C]//IEEE/CVF Conference onComputer Vision and Pattern Recognition.2018:8128-8137.
[10]WANG Z D,ZHENG L,LI Y L,et al.Linkage Based Face Clustering via Graph Convolution Network[C]//Processing of the IEEE Conference on Computer Vision and Pattern Recognition.2019:1117-1125.
[11]YANG L,ZHAN X,CHEN D,et al.Learning to Cluster Faces on an Affinity Graph[C]//IEEE/CVF Conference on Computer Vision and Pattern Recognition.2019:2293-2301.
[12]KIPF T N,WELLING M.Semi-supervised classification withgraph convolutional networks[J/OL].Machine Learning;Statistics-Machine Learning.2016.https://arxiv.org/abs/1609.02907.
[13]GUO Y,ZHANG L,HU Y,et al.MS-Celeb-1M:A Dataset and Benchmark for Large-Scale Face Recognition[C]//BEuropean Conference on Computer Vision.2016:87-102.
[14]YI D,LEI Z,LIAO S,et al.Learning face representation fromscratch[C]//Processing of the IEEE Conference on Computer Vision and Pattern Recognition.2014.
[15]WHITELAM C,TABORSKY E,BLANTON A,et al.IARPA Janus Benchmark-B Face Dataset[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops(CVPRW).IEEE,2017.
[16]AMIG E,GONZALO J,ARTILES J,et al.A comparison of extrinsic clustering evaluation metrics based on formal constraints[J].Information Retrieval,2009,12(5):613.
[1] 梁浩宏, 古天龙, 宾辰忠, 常亮. 联合学习用户端和项目端知识图谱的个性化推荐[J]. 计算机科学, 2021, 48(5): 109-116.
[2] 胡昕彤, 沙朝锋, 刘艳君. 基于随机投影和主成分分析的网络嵌入后处理算法[J]. 计算机科学, 2021, 48(5): 124-129.
[3] 陈恒, 王维美, 李冠宇, 史一民. 四元数关系旋转的知识图谱补全模型[J]. 计算机科学, 2021, 48(5): 225-231.
[4] 康雁, 谢思宇, 王飞, 寇勇奇, 徐玉龙, 吴志伟, 李浩. 基于双路信息时空图卷积网络的交通预测模型[J]. 计算机科学, 2021, 48(11A): 46-51.
[5] 高创, 李建华, 季秀怡, 朱程龙, 李诗良, 李洪林. 基于图卷积神经网络的药物靶标作用关系预测方法[J]. 计算机科学, 2021, 48(10): 127-134.
[6] 刘海潮, 王莉. 基于深度图卷积胶囊网络的图分类模型[J]. 计算机科学, 2020, 47(9): 219-225.
[7] 刘苗苗,扈庆翠,郭景峰,陈晶. 符号网络链接预测算法研究综述[J]. 计算机科学, 2020, 47(2): 21-30.
[8] 林增敏, 洪朝群, 庄蔚蔚. 融合人脸跟踪和聚类的人脸图像去重方法[J]. 计算机科学, 2020, 47(11A): 615-619.
[9] 李忠文, 丁烨, 花忠云, 李君一, 廖清. 结合三元组重要性的知识图谱补全模型[J]. 计算机科学, 2020, 47(11): 231-236.
[10] 陈晓军, 向阳. STransH:一种改进的基于翻译模型的知识表示模型[J]. 计算机科学, 2019, 46(9): 184-189.
[11] 伍杰华,沈静,周蓓. 基于社区特征的平衡模块度最大化社交链接预测模型[J]. 计算机科学, 2019, 46(3): 253-259.
[12] 单娜, 李龙杰, 刘昱阳, 陈晓云. 基于节点连接模式相关性的链接预测方法[J]. 计算机科学, 2019, 46(12): 20-25.
[13] 罗恒利, 王文博, 葛宏孔. 基于上下文约束的人脸聚类算法[J]. 计算机科学, 2019, 46(11A): 260-263.
[14] 张昱, 高克宁, 于戈. 一种融合节点属性信息的社会网络链接预测方法[J]. 计算机科学, 2018, 45(6): 41-45.
[15] 姜卯生,葛剑飞,陈崚. 基于空间映射的顶点带属性网络的链接预测[J]. 计算机科学, 2017, 44(7): 257-261.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 冯芙蓉, 张兆功. 目标轮廓检测技术新进展[J]. 计算机科学, 2021, 48(6A): 1 -9 .
[2] 孙正, 张小雪. 生物光声成像中声反射伪影抑制方法的研究进展[J]. 计算机科学, 2021, 48(6A): 10 -14 .
[3] 周欣, 刘硕迪, 潘薇, 陈媛媛. 自然交通场景中的车辆颜色识别[J]. 计算机科学, 2021, 48(6A): 15 -20 .
[4] 黄雪冰, 魏佳艺, 沈文宇, 凌力. 基于自适应加权重复值滤波和同态滤波的MR图像增强[J]. 计算机科学, 2021, 48(6A): 21 -27 .
[5] 江妍, 马瑜, 梁远哲, 王原, 李光昊, 马鼎. 基于分数阶麻雀搜索优化OTSU肺组织分割算法[J]. 计算机科学, 2021, 48(6A): 28 -32 .
[6] 冯霞, 胡志毅, 刘才华. 跨模态检索研究进展综述[J]. 计算机科学, 2021, 48(8): 13 -23 .
[7] 周文辉, 石敏, 朱登明, 周军. 基于残差注意力网络的地震数据超分辨率方法[J]. 计算机科学, 2021, 48(8): 24 -31 .
[8] 朝乐门, 尹显龙. 人工智能治理理论及系统的现状与趋势[J]. 计算机科学, 2021, 48(9): 1 -8 .
[9] 雷羽潇, 段玉聪. 面向跨模态隐私保护的AI治理法律技术化框架[J]. 计算机科学, 2021, 48(9): 9 -20 .
[10] 王俊, 王修来, 庞威, 赵鸿飞. 面向科技前瞻预测的大数据治理研究[J]. 计算机科学, 2021, 48(9): 36 -42 .