CVPRJan, 2019

深度人脸识别损失函数的性能比较

PDF
TL;DR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。
face recognitionconvolutional neural networkloss functionsresnetmobilenet
发现论文，激发创造
  • 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

  • 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

  • 深度人脸识别的最小边界损失

    该研究提出了一种新的最小间隔损失函数 (MML)，用于增强深度特征的区分能力，该方法能够取得最先进的性能表现。

    May, 2018

  • 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

  • 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

  • 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

  • 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

  • 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

  • Partial FC: 在单机上训练一千万个身份

    本文研究了基于 softmax 的损失函数的优化目标和训练庞大人脸识别网络的困难，发现在实现人脸表示学习时，负类的重要性并没有先前想象的那么高；并提出了一种高效的分布式采样算法，可用于大规模人脸识别网络的训练和分类。

    Oct, 2020