Dec, 2018

支持向量引导的 Softmax 损失用于人脸识别

PDF
TL;DR提出了一种新颖的损失函数 (SV-Softmax), 该函数从支持向量的角度来指导深度卷积神经网络的学习，使得因难例引起的歧义和其他类别的歧义都得以解决，产生了更具区分性的特征.
face recognitiondeep convolutional neural networksmining-based strategiesmargin-based loss functionssupport vector guided softmax loss
发现论文，激发创造
  • 基于误分类向量引导的人脸识别 Softmax 损失

    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

  • 卷积神经网络大边界 Softmax 损失

    本文提出了 L-Softmax loss 作为一种广义的大边际 softmax（L-Softmax）损失函数，可以显式地鼓励所学特征的类内紧密性和类间可分性，并且能够调整想要的边际并避免过拟合，并在四个基准数据集上进行了广泛实验，结果表明使用 L-Softmax 且深度学习的特征更具有区分度，从而大大提高了各种视觉分类和验证任务的性能。

    Dec, 2016

  • 图像分类的组合软间隔 softmax 损失

    提出了一种新的损失函数，EM-Softmax，用于训练 CNN 模型的分类任务，以解决 softmax loss 在特征区分度和分类器弱点方面的局限性，并使用 Hilbert-Schmidt 独立性准则构建弱分类器的集合，通过实验验证其优于当前状态下的 softmax loss 和其他一些算法的性能。

    May, 2018

  • 人脸识别损失函数搜索

    本论文提出了一种用于人脸识别中的边际损失函数自动搜索的方法，由于手工设计的启发式方法需要耗费大量时间，并且 AutoML 的搜索空间过于复杂和不稳定， 因此定义了一个新的搜索空间和一个受奖励的搜索方法来自动获取最佳候选，实验结果表明该方法优于现有的最先进方法并提高了特征辨别能力。

    Jul, 2020

  • 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

  • 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

  • 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

  • 使用线性支持向量机的深度学习

    本文中，我们探究了在深度学习识别任务中，用 L2-SVMs 替换 softmax 可在 MNIST、CIFAR-10 和面部表情识别等数据集上获得显著提升。

    Jun, 2013

  • 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