基于GCN的人脸聚类方法研究开题报告

1. 研究目的与意义（文献综述）

1.1研究目的

现如今科学发展迅速，数据存在的形式也越来越复杂，很多数据都不具备规则的空间结构，称为non euclidean data，如，社交网络，关系图谱，复杂聚类等等。这些数据之间没有固定相同的连接结构，可以是one-to-one也可以是one-to-many。传统的卷积神经网络在处理这些问题上效果不佳。例如cnn网络配合pooling池化在处理结构规则的图像等数据上效果比较显著，但是在非欧氏空间比如图类型的数据就不好选取固定合适的卷积核来处理整个图的不规则性，如邻居节点数量的不确定性。尤其体现在无监督的人脸检测中，无监督的人脸检测要做的就是人脸聚类，在没有标签的人脸数据集中，并不能很好的将同一类人脸识别聚集起来。而图卷积网络（gcn）的出现则为该类问题提供了一种处理，研究的模型。

2. 研究的基本内容与方案

2.1 研究目标

概述选题所开发的系统的主要功能。

本选题旨在复现已有论文的成果，实现利用gcn实现人脸聚类的数据清洗。实现一个可以在自己的数据集上进行高效的人脸聚类和数据清洗的系统。

3. 研究计划与安排

(1)2020/1/13—2019/2/28：确定选题，查阅文献，外文翻译和撰写开题报告；

(2)2020/3/1—2019/4/30：系统架构、程序设计与开发、系统测试与完善；

(3)2020/5/1—2019/5/25：撰写及修改毕业论文；

4. 参考文献（12篇以上）

[1] wang, zhongdao,zheng, liang, li, yali, et al. linkage based face clustering via graphconvolution network[j]in cvpr .2019.

[2] yang l , zhan x ,chen d , et al. learning to cluster faces on an affinity graph[j]. 2019.

[3]zhan x , liu z ,yan j , et al. consensus-driven propagation in massive unlabeled data for facerecognition[j] in eccv. 2018.