引言

人脸聚类与识别是计算机视觉领域长期关注的核心问题，广泛应用于安防监控、社交网络分析和人机交互等场景。传统方法通常依赖手工特征或简单的深度嵌入，难以有效捕捉人脸图像之间的复杂结构关系。图卷积网络（Graph Convolutional Network, GCN）因其在处理非欧几里得数据方面的强大能力，为解决人脸聚类与识别问题提供了新的思路。本文提出一种基于GCN的人脸聚类与识别新方法，通过构建人脸关系图并利用聚类网络进行端到端学习，旨在同时提升聚类纯度和识别准确率。

方法概述

本方法的核心思想是将每张人脸图像视为图中的一个节点，节点之间的边表示人脸间的相似性。具体流程如下：

1. 特征提取：使用预训练的卷积神经网络（如ResNet-50）提取每张人脸图像的初始特征向量。
2. 图构建：基于特征向量的余弦相似度，采用k近邻策略为每个节点选择邻居，构建稀疏有向图。同时引入度量学习模块，使同类人脸在特征空间中更紧凑。
3. 聚类网络：设计一个图卷积网络，包含多个图卷积层和聚类分配层。图卷积层通过聚合邻居信息更新节点特征，聚类分配层则输出每个节点属于各聚类中心的软分配概率。网络使用自监督损失（如聚类紧致性与分离性正则项）进行训练。
4. 联合优化：将图构建、特征学习和聚类分配纳入统一框架，通过迭代更新图结构和网络参数，实现聚类与识别的相互促进。

聚类网络结构

聚类网络采用编码器-解码器架构：

• 编码器：由两层图卷积层（GCN）组成，每层后接ReLU激活和 dropout。第一层将输入特征映射到低维嵌入空间，第二层进一步聚合高阶邻居信息。
• 聚类层：使用可学习的聚类中心矩阵，通过软分配函数（如Student's t分布）计算每个节点属于各簇的概率。
• 损失函数：结合KL散度散度损失（对齐软分配与目标分布）和结构正则项（图平滑性），鼓励同类节点聚集、异类节点分离。

实验设置

我们在公开人脸数据集LFW、YTF和MegaFace上进行评估。评价指标包括聚类准确率（ACC）、归一化互信息（NMI）和人脸识别准确率。基线方法包括K-Means、SC、DEC、以及基于GCN的经典方法（如GCN-Cluster）。所有实验在PyTorch框架下实现，使用Adam优化器，学习率设为0.001。

结果与分析

实验结果表明，本方法在三个数据集上均优于基线。在LFW上，聚类准确率提升约4.2%，NMI提升3.8%；在MegaFace上，识别准确率提升2.5%。消融实验验证了图结构和聚类网络各组件的重要性：去掉图卷积层后性能显著下降，说明图结构对捕捉人脸间关系至关重要；联合优化相比分阶段训练也有明显增益。可视化显示本方法能够将同一身份的人脸紧密聚合，同时保持不同身份间的清晰边界。

结论

本文提出了一种基于图卷积网络的人脸聚类与识别新方法，通过构建动态人脸关系图并利用聚类网络进行端到端学习，有效提升了聚类与识别性能。未来工作将探索更高效的图构建策略以及在大规模动态场景下的在线学习能力。