CVPRApr, 2017

SphereFace: 深度超球面嵌入用于人脸识别

PDF
TL;DR本文提出了一种叫做 A-Softmax 的损失函数来训练卷积神经网络，以学习面部图像特征，使得最大内类距离小于最小类间距离，从而解决开放集（open-set）协议下的人脸识别问题。与之前的算法相比，该方法在 LFW、YTF 和 MegaFace Challenge 数据集上取得了更好的结果。
deep face recognitionangular softmax lossconvolutional neural networkshypersphere manifoldfeature criterion
发现论文，激发创造
  • SphereFace 再现：统一的超球面人脸识别

    本文介绍了一个统一框架来理解超球面人脸识别中的大角度间隔，进一步扩展了 SphereFace 的研究并提出了一个稳定性较好的改进版，结果表明这个改进版在识别准确率上比当前最先进的方法更好或竞争力更强。

    Sep, 2021

  • ArcFace：深度人脸识别的加性角度间隔损失

    本文介绍了一种新的面部识别方法，使用 ArcFace 和子中心 ArcFace 方法来提高分类效果并且减少噪声影响，并且可以通过训练好的模型生成身份保持的面部图像。

    Jan, 2018

  • SFace：用于强健人脸识别的 Sigmoid 受限高维球形损失

    本研究提出了一种新的损失函数 ——sigmoid 限制超球面损失（SFace），可缓解过度拟合问题，实现对模型的精细控制，有效地解决了大规模数据集的深度面部识别问题。

    May, 2022

  • ElasticFace：用于深度人脸识别的弹性边缘损失

    本文旨在提高面部识别模型的鉴别能力，并提出弹性惩罚边缘损失 (ElasticFace) 来放松固定惩罚边缘的限制，该方法采用每个训练迭代中从正态分布中绘制的随机边缘值，以提高面部识别性能。

    Sep, 2021

  • 用于判别性人脸验证的 L2 约束 Softmax 损失

    本研究中，我们给特征描述符添加了一个 L2 约束，以保证它们位于一个固定半径的超球面上，该步骤可以显著提高面部验证的性能，特别是在 IJB-A 数据集上实现了 0.909 的 True Accept Rate 以及 0.0001 的 False Accept Rate。

    Mar, 2017

  • X2-Softmax：人脸识别的边界自适应损失函数

    该论文提出了一种新的角度自适应边界损失函数 X2-Softmax，通过增加类别之间的角度来提供自适应边界，从而提高人脸识别的效果。

    Dec, 2023

  • CosFace: 大间隔余弦损失用于深度人脸识别

    本文提出基于余弦相似度的大间距余弦损失函数，提高了人脸识别深度卷积神经网络的性能，在 MegaFace Challenge、Youtube Faces、Labeled Face in the Wild 等公共数据集上达到了最先进的表现。

    Jan, 2018

  • 最大熵和物体球损失的开放集人脸识别

    通过引入一个紧凑的适配器网络，该研究采用预训练的深度神经网络作为特征提取器，并在开放集协议下，在增加负样本熵和专门化图库的同时，取得了在三个不同数据集（LFW，IJB-C 和 UCCS）上有希望的成果，以及当额外的负样本数据被合理选择用于微调适配器网络时，达到了最先进的性能。

    Nov, 2023

  • SphereFace2：二进制分类满足深度人脸识别需求

    本文提出了一种新颖的二分类训练框架 SphereFace2，通过绕过 softmax normalization 和相应的封闭集假设，使得训练与评估之间的差距得以弥合，有效提高了表征的性能，实验证明 SphereFace2 可以持续超过现有最佳深度人脸识别方法。

    Aug, 2021

  • von Mises-Fisher 损失：探索嵌入式几何模型用于监督式学习

    研究了 embedding geometry 对 softmax losses 在分类和图像检索任务中的影响，并提出了一个基于 von Mises-Fisher 分布的概率分类器，在产生改进的 out-of-the-box 校准的同时，与现有技术方法相比具有竞争力。

    Mar, 2021