深度人脸识别的最小边界损失
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
多边界损失(MML)是一种简单而有效的损失函数,通过引入多个边界和变化的负样本权重,解决了资源有限时的挑战,并在两个知名数据集上实验证明,在使用更少的负样本时,MML 相对于基准对比损失函数取得了高达 20%的性能提升。
May, 2024
本论文提出了一种新的适应性损失函数,该函数强调错分特征向量以指导较有区别的特征学习,从而解决传统损失函数在面部识别中存在的问题,并在多个基准测试上取得了比其他先进替代方案更有效的实验结果。
Nov, 2019
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
本文提出了一种新的度量学习损失,称为边际采样挖掘损失(MSML),它采用硬样本挖掘,并能够比其他度量学习损失(如三元组损失)获得更好的精度。在实验中,我们的方法在 Market1501、MARS、CUHK03 和 CUHK-SYSU 等数据集上的性能超过了大多数最先进的算法。
Oct, 2017
本文提出了一种新的适应性课程学习损失(CurricularFace),通过将课程学习的思想嵌入到损失函数中来实现深度人脸识别的新型训练策略,旨在解决早期训练阶段的简单样本和后期的困难样本。该方法根据样本的难易程度自适应地调整简单和困难样本的相对重要性,在各个阶段分配不同的样本,实验结果表明该方法优于现有竞争对手。
Apr, 2020
通过 KappaFace 算法和 von Mises-Fisher 分布相结合,提出了一种考虑类不平衡问题的大规模人脸识别方法,该算法有效提高了深度人脸识别的性能。
Jan, 2022