ICLRAug, 2021

SphereFace2：二进制分类满足深度人脸识别需求

PDF
TL;DR本文提出了一种新颖的二分类训练框架 SphereFace2，通过绕过 softmax normalization 和相应的封闭集假设，使得训练与评估之间的差距得以弥合，有效提高了表征的性能，实验证明 SphereFace2 可以持续超过现有最佳深度人脸识别方法。
deep face recognitionsoftmax normalizationbinary classificationsphereface2state-of-the-art
发现论文，激发创造
  • SphereFace 再现：统一的超球面人脸识别

    本文介绍了一个统一框架来理解超球面人脸识别中的大角度间隔，进一步扩展了 SphereFace 的研究并提出了一个稳定性较好的改进版，结果表明这个改进版在识别准确率上比当前最先进的方法更好或竞争力更强。

    Sep, 2021

  • SphereFace: 深度超球面嵌入用于人脸识别

    本文提出了一种叫做 A-Softmax 的损失函数来训练卷积神经网络，以学习面部图像特征，使得最大内类距离小于最小类间距离，从而解决开放集（open-set）协议下的人脸识别问题。与之前的算法相比，该方法在 LFW、YTF 和 MegaFace Challenge 数据集上取得了更好的结果。

    Apr, 2017

  • SFace：用于强健人脸识别的 Sigmoid 受限高维球形损失

    本研究提出了一种新的损失函数 ——sigmoid 限制超球面损失（SFace），可缓解过度拟合问题，实现对模型的精细控制，有效地解决了大规模数据集的深度面部识别问题。

    May, 2022

  • 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

  • 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

  • BroadFace: 面向万人级人脸识别

    该论文提出了一种名为 BroadFace 的新颖方法，用于面部识别，其中使用了线性分类器、优化和补偿方法以提高准确性和效率，并在各种数据集上进行了广泛的实验证明其有效性和优越性。

    Aug, 2020

  • 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

  • BoundaryFace：面部识别噪声标签自校正挖掘框架

    从决策边界的角度出发，我们提出了一种新的采矿框架，该框架关注样本的基本真实类中心和其最近的负类中心之间的关系，特别是提出了一个闭集噪声标签自校正模块来处理包含大量噪声标签的数据集，在各种面部识别基准测试中，所提出的方法始终优于 SOTA 方法。

    Oct, 2022

  • 面部反欺诈学习深度模型：二进制或辅助监督

    本研究介绍了一种通过 CNN-RNN 模型学习面部深度和估计 rPPG 信号来识别真实人脸和虚假人脸的新型面部反欺诈方法，并提出了一种新的面部反欺诈数据库，数据集包含大范围的变化。实验结果表明，该模型在数据库内和跨数据库测试上均达到了最先进水平。

    Mar, 2018

  • 通过推广较少代表性的类别来进行单次人脸识别

    本文提出了解决大规模人脸识别模型在存在类别不平衡数据时的训练问题的解决方案，包括面部特征提取模型和基于该模型的多分类模型，其中提出了一种新的监督信号（低频类别升级损失函数），在 MS-Celeb-1M 数据集上实现了优异的性能表现（94.89% 的测试图像被 99% 精度识别）。

    Jul, 2017