研究背景
爱奇艺拥有海量优质的视频资源，对这些视频资源的结构化分析，尤其是分析视频中出现的人物尤为重要。目前，人脸识别技术已经应用到爱奇艺多个产品中，如“AI雷达”和“只看TA”。 “AI雷达”分析当前视频画面中出现的人物，“只看TA”分析整个视频中人物出现的所有场景片段。这两个产品底层都依赖人脸识别技术。
训练一个高性能的人脸识别模型，采用监督学习的方式，需要大量的带标签的人脸数据，通常数据量越大，训练的模型性能越好；人物越多，识别性能越好。目前公开库中较大的人脸数据集MS-Celeb-1M包括约10万个人物的1000万张图片；iQIYI-VID包括约1万个人物的64万个视频片段，其中iQIYI-VID-FACE包含约1万个人物600万张人脸图像。
然而，获取某个人的多张图片是比较困难的，需要人工标注。这在一定程度上阻碍了模型性能的提升。同时，人脸识别是个open-set问题，有标签数据中的几万个人物只是地球上几十亿人的极小一部分，训练出来的模型泛化能力可能不足。
为了解决上述问题，我们提出用无标签数据优化人脸识别模型。区别于其他半监督学习方法，我们的方法对无标签数据没有过多限制，只需基本保证这人不出现在有标签数据中。无标签数据的加入，可以轻易扩大训练人物数量，提升模型泛化能力。
Unknown Identity Rejection（UIR）Loss
为了利用无标签数据，我们设计了半监督损失函数，Unknown Identity Rejection（UIR）Loss。人脸识别是open-set问题，将开放环境中的人物类别分为两类：有标签类（S）和无标签类（U），
。训练过程中，对于有标签类，每个样本特征需要逼近分类层对应类别的类心向量；对于无标签类，它不属于分类层的任何一个类，模型需要“拒绝”它们，即特征与每个分类层类心距离都足够远。如下图（a），w1w1和w2表示两个分类层类心向量，圆点表示样本特征。图（b）中，加入无标签类wu后，为了wu距离w1和w2、足够远，会使得有标签类别在特征空间上更稀疏，类间距离更大。
对于CNN分类模型，全连接分类层的输出经过softmax后得到p1，p2…pn，表示属于各个类别的概率值。然而无标签类别并不属于任何一类，理想情况下p1，p2…pn应该都足够小，可以通过设置阈值将其过滤，提升库外拒绝率。基于这个想法，问题可以转化成：
minimize 
上式是多目标最小化问题，可以转化成：
maximize
因此得到UIR loss，即：
模型总的loss是有标签类别的loss加上无标签类别的UIR loss，
模型框图如下，无标签数据和有标签数据一起作为输入，经过骨干网络得到特征，全连接层得到输出概率值，根据概率值分别计算 Lsup和Luir。
实验结果
我们采用MS-Celeb-1M清洗过后的MS1MV2数据集作为有标签数据，包括9万人物类别的5百万图片数据。从网上爬取数据，经过清洗，基本保证与有标签数据较低的重合率，得到约4.9百万张无标签数据。
分别在iQIYI-VID和Trillion-Pairs和IJB-C三个测试集上验证了方法的有效性。测试了四种骨干网络，实验结果说明，加入无标签数据的UIR loss后，模型性能有所提升。由于篇幅原因，IJB-C测试结果只贴了ResNet100部分，其他结果可参照论文。
TrillionPairs TAP@FAR= | iQIYI-VID TAP@FAR= | ||
ResNet50 | Baseline | 90.041 | 60.288 |
Ours | 90.525 | 62.041 | |
ResNet100 | Baseline | 92.955 | 65.139 |
Ours | 93.325 | 67.214 | |
MobileNet-V1 | Baseline | 70.040 | 35.161 |
Ours | 71.176 | 37.656 | |
MobileNet-V2 | Baseline | 68.699 | 28.780 |
Ours | 69.326 | 29.808 |
进一步分析
UIR Loss使得特征分布更稀疏
从实验结果来看，加入无标签数据的UIR loss后，UIR Loss能使模型学习到更具区分性的特征。下面从模型分类层类心间距离这一角度来验证特征分布的稀疏性。我们计算了分类层类心两两间的cos距离，距离越大，类心分布更稀疏。结果如下表：
随着骨干网络性能提升，baseline和ours的平均距离逐渐增大。同时，ours的平均距离大于baseline。这说明了UIR Loss使得特征分布更稀疏。
UIR Loss提升库外拒绝率
我们找了一批新的无标签数据，统计了它们模型最后输出的最大概率值，值越小，代表性能越好。
总结与展望
半监督损失函数UIR loss可以有效的借助海量无标签的人脸数据，优化人脸识别模型性能，提升模型泛化能力。这一研究成果已经应用到了爱奇艺诸多产品中，在提高用户体验、提高视频内容的创作效率等都发挥了极大作用。爱奇艺APP的“只看Ta”功能，可以实现只看某个演员或者某对CP的功能，不仅满足用户追星或只看某些人物片段的需求，还有助于演员回顾自己演戏的内容，甚至帮助导演挑选自己需要的演员。其实，帮助导演选择演员，爱奇艺还专门有个APP叫“艺汇”，艺汇里通过AI收集了大量的知名或不知名的演员，借助强大的人脸识别模型，不仅可以在海量视频中定位到只属于该演员的CUT片段，还会根据演员的颜值、脸型、气质类型精确搜索心意角色。人脸识别的另一大特色应用，就是用户所熟知的AI雷达功能，在爱奇艺APP中点击画面左侧的“扫一扫”按钮，就可以随时看到画面中的演员角色信息，同时在电视端遥控器轻轻按“上键”，就可以在电视画面上展现明星的“这是谁”信息。在专业的视频内容制作方面，爱奇艺的爱创媒资系统可以支持人物搜索、特定人物的表情搜索、声纹识别等，大大提高了制作人员的效率。
爱奇艺借助其强大的技术实力和前沿的AI研发能力，不断的创新突破，走在视频行业的最前面。当然，技术创新永无止境，人脸识别虽然有诸多成熟的应用，但在某些较为极端的情况下，如人脸过于模糊、遮挡过多、侧脸角度过大，甚至只出现背影等情况，单纯依靠人脸识别无法解决，这需要借助多模态来解决。爱奇艺发布的iQIYI-VID数据集是目前业界数据最大的多模态人物识别视频数据集，有效的推进了多模态技术的发展，引起了行内人士的广泛关注。
