摘要

亲缘关系验证旨在确定给定的一对人脸图像之间是否存在亲属关系。亲缘关系验证数据库天生具有数据不平衡的问题。对于一个包含N个正类亲缘关系对的数据库，我们自然会获得N(N-1)个负类对。如何充分利用有限的正类对，并从充足的负类样本中挖掘出区分性信息，仍然是一个开放问题。为了解决这一问题，本文提出了一种区分性样本元挖掘（Discriminative Sample Meta-Mining, DSMM）方法。与现有方法通常通过固定负类对构建平衡数据集不同，我们建议利用所有可能的对，并自动从数据中学习区分性信息。具体而言，我们在每次迭代时分别采样一个不平衡的训练批次和一个平衡的元训练批次。然后，我们使用平衡元训练批次上的元梯度来学习一个元挖掘器。最后，通过所学的元挖掘器重新加权不平衡训练批次中的样本，以优化亲缘关系模型。在广泛使用的KinFaceW-I、KinFaceW-II、TSKinFace和Cornell Kinship数据集上的实验结果证明了所提方法的有效性。