Mar, 2021

NPT-Loss：一种具有内隐挖掘功能的度量损失用于人脸识别

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 深度人脸识别的三元组蒸馏

    本文提出了一种增强版本的三元组损失函数，名为三元组蒸馏，在多个数据集上展示了其优于原始三元组损失函数的优越性，能够自适应地变化正负样本之间的间隔，从而更好地利用相似性信息来提高紧凑模型的性能。

    May, 2019

  • 深度人脸识别损失函数的性能比较

    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

  • 面部表情识别场景中的三元组无损中心损失采样策略

    本文研究基于深度神经网络和三元组中心损失的面部表情识别方法，并探索三种负样本选择策略和一种选择性注意力模块以提高识别效果。在 RAF-DB 数据集上进行的实验表明，所提出的方法相对于基线方法在所有三种负样本选择策略上都有显着改进。

    Feb, 2023

  • 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

  • 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

  • 使用遮挡图和批量三元组损失增强用于人脸识别的卷积神经网络

    该文提出了一种简单的方法来学习人脸图像中对于识别最重要的部分并使卷积神经网络更好地学习所有区域的判别特征，同时，引入了一种新的损失函数 ——batch triplet loss，通过降低正负分数的标准差来改善 triplet loss 的性能，同时在 LFW 数据集中得到了显著的改进。

    Jul, 2017