Oct, 2017

面部表情识别中基于岛屿损失的判别特征学习

PDF
TL;DR本文通过引入新的岛津损失函数，在人脸表情识别领域尝试了新的改进方法，从而提高了卷积神经网络的性能。实验结果显示，使用该岛津损失函数的卷积神经网络相比于传统的 softmax loss 和中心损失方法以及同领域最先进方法表现更优，成功解决了真实世界条件下人脸表情识别中的问题。
convolutional neural networksfacial expression recognitionisland lossintra-class variationsinter-class differences
发现论文，激发创造
  • DeepVisage：简单却具有强大的泛化能力的人脸识别技术

    本文提出并实现了一种基于单个卷积神经网络的人脸识别方法，使用残差学习框架和归一化特征计算损失，实验证明在不同数据集上具有较好的泛化性能。

    Mar, 2017

  • 深度神经网络的对比中心损失

    本文提出了一种新的辅助监督信号 —— 对比中心损失，它能够进一步增强特征的区分能力，通过惩罚训练样本到它们对应类别中心距离的对比值和样本到非对应类别中心距离之和的对比值同时考虑了类内紧凑性和类间可分性。在不同的数据集上的实验证明了对比中心损失的有效性。

    Jul, 2017

  • 深度人脸识别中的 Git Loss

    本文提出了一种融合了 softmax 和 center loss 函数的联合监督信号 Git loss，旨在最小化同类内部差异、最大化异类间距离，以增强深度特征的判别能力，通过在两个人脸识别基准数据集上的实验证明 Git loss 可以达到不同身份深度人脸特征的最大可分性，并在 LFW 和 YTF 两个主要的人脸识别基准数据集上实现了最先进的准确度。

    Jul, 2018

  • 无约束人脸验证和识别的晶体损失与质量汇聚

    本文提出一种基于固定半径的 Crystal Loss 函数来优化人脸验证和识别系统性能的方法，并在 LFW、IJB-A、IJB-B 和 IJB-C 数据集上取得了最先进的表现。

    Apr, 2018

  • 强化区分度的损失函数以提高表示学习

    通过引入 Gini impurity 所启发的新损失项和最小化两个高级特征分布之间的 Kullback-Leibler 散度，我们在两个图像分类数据集上进行了实验，并得出结论，将我们的新损失项集成到训练目标中始终优于仅使用交叉熵训练的模型，在不增加推理时间的情况下。

    Feb, 2022

  • 网格损失：检测遮挡面部

    本研究提出了一种名为 Grid loss 的 CNN 模型损失函数，该函数能够独立地在卷积层的子块上最小化误差率，以实现部分遮挡物体的检测，经实证表明，该方法可以用于人脸检测，并在几个公共数据集上跑出了最优性能，适用于实时应用程序。

    Sep, 2016

  • 朝着可解释的人脸识别

    提出了一种基于深度卷积神经网络的面部识别方法，该方法通过结构化和特征多样性损失，学习易于解释的面部表示，并证明其在三个面部识别基准上提高了准确性。

    May, 2018

  • 深度人脸识别损失函数的性能比较

    本文比较了用于人脸识别的不同损失函数（Cross-Entropy、Angular Softmax、Additive-Margin Softmax、ArcFace 和 Marginal Loss）在 ResNet 和 MobileNet 两种 CNN 架构下的表现，采用了 CASIA-Webface 和 MS-Celeb-1M 两个数据集进行训练，并在 LFW 人脸数据集上进行了测试。

    Jan, 2019

  • 用于地点识别的区分性视觉地标定位

    本文提出了一种利用卷积神经网络提取特征并用地标定位网络确定区分性地标的方法，用于视觉地点识别问题，该方法在各种外观和视角变化方面均具有优异的性能。

    Apr, 2019

  • CAM-loss: 学习空间区分特征表示

    提出了一种新型的 CNN 分类器损失函数，即 CAM-loss，利用类激活映射来约束特征图，以得到更具有区分度的特征表示，并提出了一种基于 CAAM-CAM 匹配的知识蒸馏方法。

    Sep, 2021