CVPRMay, 2019

AdaCos： 自适应缩放余弦 Logits 用于有效学习深度人脸表征

PDF
TL;DR本文探究了余弦相似度 softmax 損失的兩個參數的效果，提出了不需要超參數的 AdaCos 損失函數，並在人臉驗證及識別數據集上驗證其效果優於現有的 softmax 損失。
cosine-based softmax losseshyperparametersface recognitiondeep learningadacos
发现论文，激发创造
  • 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

  • P2SGrad：优化深度人脸模型的精细梯度

    通过设计梯度，直接更新深度神经网络，以此来解决采用 cosine-based softmax 损失函数可能会出现的超参数敏感性的问题。我们使用 P2SGrad 梯度替代传统的损失函数，该方法利用余弦相似性代替分类概率。在三个人脸识别的基准测试（LFW， MegaFace 和 IJB-C）上的结果表明，P2SGrad 稳定，鲁棒性高，且在所有三个基准测试中实现了最新的性能表现。

    May, 2019

  • 使用余弦损失函数对小数据集进行无预训练深度学习

    本文研究了使用余弦相似度损失函数进行小数据集分类的问题，发现与分类交叉熵损失函数相比，余弦损失函数在只有极少标本的数据集上具有更高的准确性，在使用类别树的先前知识时可以进一步提高分类性能。

    Jan, 2019

  • 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

  • xCos：用于人脸验证任务的可解释余弦度量

    本篇论文讨论了在面部识别任务中的可解释人工智能（XAI），特别是面部验证。通过提出一种称为可解释余弦（$xCos$）的新奇相似度度量，并配备一个可学习的模块，我们可以向大众提供意义深刻的解释，并展示其在 LFW 等各种竞争基准上的有效性。

    Mar, 2020

  • 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

  • 通过同源余弦损失函数学习深度特征进行人物识别

    本研究提出了一种新方法，通过训练一个网络来获得稳健和代表性特征，该方法通过比较和优化两个特征之间的余弦距离来解决人物识别的问题，同时减少内部差异，提高分类准确度。

    Feb, 2017

  • ElasticFace：用于深度人脸识别的弹性边缘损失

    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

  • 余弦相似度与 softmax 结合：视觉定位难以超越的基线模型

    本文提出了一种在多个图像 ROI 特征和文本嵌入之间的余弦距离上最小化交叉熵损失来实现自动驾驶视觉定位的简单方法，使用预训练网络获得初始嵌入，同时实验结果表明比采用精细注意机制或复杂度损失函数的方法表现更优，AP50 准确率达到 68.7%。

    Sep, 2020

  • 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