CVPRApr, 2020

CurricularFace: 用于深度人脸识别的自适应课程学习损失

PDF
TL;DR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。
发现论文，激发创造
  • AdaFace：用于人脸识别的质量自适应边距

    本研究提出了一种新的损失函数 AdaFace，它可以基于图像质量加重不同难度的样本，通过用特征范数来近似图像质量，从而提高人脸识别性能。

    Apr, 2022

  • 不平衡数据分类的动态课程学习

    该研究提出了一种名为动态课程学习（DCL）的统一框架，可在线自适应地调整采样策略和损失学习，从而提高计算机视觉中人类属性分析任务的表现，实验结果显示 DCL 在面部属性数据集 CelebA 和行人属性数据集 RAP 上得到了新的最优性能。

    Jan, 2019

  • 课程学习理论与凸损失函数

    通过对困难得分和收敛速率的理论分析，研究了以适度难度曲线为基础的课程学习在凸问题中的作用并阐述它与硬数据挖掘的矛盾之处。

    Dec, 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

  • HuCurl: 人类引导的课程发现

    介绍课程发现问题，提出一种能够在课程空间内根据样本难度的先验知识，发现有效课程的课程学习框架。使用注释熵和损失作为难度度量标准，我们发现：（i）对于给定的模型和数据集，顶级发现的课程通常是非单调课程，而不是现有文献中的单调课程，（ii）普遍的易于难或难于易过渡课程往往存在表现不佳的风险，（iii）在较小的数据集和模型上表现良好的课程在较大数据集和模型上表现也很好。该框架包含一些现有的课程学习方法，并可以发现在几个自然语言处理任务上优于它们的课程。

    Jul, 2023

  • KappaFace: 深度人脸识别的自适应加性角边界损失

    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

  • 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

  • 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

  • DiscrimLoss: 一种用于困难样本和错误识别样本的通用损失函数

    本文提出了针对有标签噪声（即不正确的数据）的深度神经网络训练方法，通过引入一个新增的损失函数 DiscrimLoss 可以增强模型对易样本和难样本（包括困难和错误样本）的学习程度，并且能够动态自适应地模拟课程学习的主要原则，多种实验结果证明本文方法在存在不同的噪声级别时具有多样性和有效性。

    Aug, 2022

  • SensitiveLoss: 利用具有鉴别感知深度学习方法提高人脸表征的准确度与公平性

    通过提出一种歧视感知学习方法，该方法可以改善偏差人脸识别算法的准确性和公平性。该方法表明，基于最常用的人脸数据库的学习过程导致了一个强大的算法性别和种族歧视的深度人脸模型，而提出的 Sensitive Loss 方法可以用于改进网络的性能，从而防止自动系统的歧视影响。

    Apr, 2020