Nov, 2017

卷积神经网络下应用的稳健人脸关键点定位翼损失

PDF
TL;DR本文提出了一种新的损失函数 Wing loss，用于通过卷积神经网络实现面部关键点的鲁棒定位。通过对比 L2、L1 和平滑 L1 等不同的损失函数，并分析这些损失函数，结论是对于基于 CNN 的定位模型训练，应更加关注小和中等范围的错误。针对此问题，提出了一种分段损失函数 Wing loss，并通过姿态数据平衡的策略解决了训练集中具有大偏转的数据不足的问题。最后，将该方法扩展为一种用于鲁棒面部关键点定位的两阶段框架，并在 AFLW 和 300W 上进行了实验验证，结果表明 Wing loss 的优越性以及该方法的超越了现有技术的水平。
wing lossfacial landmark localisationconvolutional neural networkscnnsdata augmentation
发现论文，激发创造
  • 自适应翼形损失在通过热图回归实现稳健人脸对齐中的应用

    该论文提出了适应性翼形损失函数和加权损失映射以及其他一些方法，用于提高热图回归定位面部关键点的准确性，并在不同的基准测试中显著优于现有方法。

    Apr, 2019

  • 深度回归的稳健优化

    本文研究了 Convolutional Neural Networks 的回归模型，使用了 Tukey 的 biweight 函数作为损失函数，同时提出采用逐渐提高分辨率的输入图像的粗粒度模型，经过实验表明在人体姿势估计和面部年龄评估任务中，这种方法产生了更好的效果。

    May, 2015

  • PropagationNet: 将点传播到曲线以学习结构信息

    本研究基于热图回归，通过将地标热图传播到边界热图，提供更多结构信息来解决大头姿势、夸张表情和不均匀光照等情况下的面部对齐问题，同时提出了 Focal Wing Loss 以优化野外条件下难处理的样本。该方法在 WFLW、300W 和 COFW 数据集上表现均优于现有技术，平均误差分别为 4.05%、2.93% 和 3.71%。

    Jun, 2020

  • 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

  • 拉普拉斯地标定位

    本文提出了一种采用 LaplaceKL 目标和对抗训练框架的深度学习方法，处理具有挑战性数据的面部地标检测技术，并通过使用未标记的数据来提高模型性能，具有实时表现、实用价值，并在所有的 300W 基准测试中取得最佳效果及在人脸地标的 AFLW 数据集中排名第二。

    Mar, 2019

  • 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

  • AirFace：轻量级高效人脸识别模型

    本文在人脸识别任务中探讨了卷积神经网络 (convolutional neural network) 的应用，提出了一种名为 Li-ArcFace 的新的损失函数 (loss function)， 并在 MobileFaceNet 这一网络架构上进行了改进及添加注意力机制，同时总结出一些在人脸识别训练中的有用技巧，并在 LFR2019 深光科技挑战赛中荣获第二名。

    Jul, 2019

  • 面部表情识别中基于岛屿损失的判别特征学习

    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。

    Oct, 2017

  • 一种通用且自适应的鲁棒性损失函数

    本文提出了一种连续参数化的健壮损失函数，通过将健壮性作为参数，可以泛化到多种常见的概率分布并基于该损失函数训练神经网络从而应用于无监督学习等任务。

    Jan, 2017