无约束人脸验证和识别的晶体损失与质量汇聚
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
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
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
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
本文提出了一种基于 triplet loss 和 proxy 的新型损失函数来实现各个身份特征之间的最小可分性,该函数简单易实现且在高分辨率和低分辨率人脸识别任务中均可达到 SOTA 的性能表现。
Mar, 2021
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
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。
Apr, 2017
本篇研究论文介绍了一种深度学习系统,基于卷积神经网络,包括面部检测、定位、对齐和验证模块等,用于非约束性人脸识别。研究使用 IARPA Janus 基准数据集 A, JANUS 挑战集 2 和 LFW 数据集进行了数量化的性能评估,并讨论了 DCNN 面部验证问题的一些开放性问题。
May, 2016
本文提出了一种基于深度卷积特征的无限制人脸验证算法,并在 IARPA Janus 基准数据集上进行了评估。实验结果表明该算法在包含 500 个受试者的真实世界无约束面部图像上具有很好的性能。
Aug, 2015