SphereFace 再现:统一的超球面人脸识别
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
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
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。
Aug, 2021
本文介绍了一种新的面部识别方法,使用 ArcFace 和子中心 ArcFace 方法来提高分类效果并且减少噪声影响,并且可以通过训练好的模型生成身份保持的面部图像。
Jan, 2018
本文提出了一种使用修改的 Sphere Softmax 函数来解决分类问题并且同时学习超球面流形嵌入的模型,最终通过训练单个端到端模型 SphereReID 在包括 Market-1501、DukeMTMC-reID、CHHK-03 和 CUHK-SYSU 四个挑战性数据集上取得了最佳表现,并且无需微调或重新排名。
Jul, 2018
该研究提出了一种基于中心坐标学习的人脸特征和分类向量联合学习方法,可以有效地提高人脸特征的判别力,并在六个面部基准测试中表现出极高的效果和广泛性,只使用大约 10K 个主题的 CASIA Webface 数据集进行训练。
Jan, 2018
本研究提出了一种基于深度学习无监督算法的异质人脸识别框架,通过在局部人脸点处提取 Gabor 特征,并使用 RBM 学习本地共享表示来消除每个人脸点周围的异质性。最后,将局部 RBM 的共享表示连接在一起,并通过 PCA 处理,成功地解决了 Sketch-Photo 和 NIR-VIS 问题,并在相应的数据库上取得了最佳实验结果。
Jun, 2014
本文提出了基于超球面的学习框架 ——SphereConv,以及其在超球面上的深度学习网络 SphereNet,使用广义角 softmax 损失函数实现监督。实验证明,SphereNet 能够有效编码具有辨别力的特征表示并缓解训练困难,使优化更容易,收敛更快,并且分类准确度(甚至更好)与基于传统卷积的网络相当。
Nov, 2017
使用张量场来建模类的几何学方法在 few-shot learning 方面是一种更加有效的方法,我们提出了一种简单而有效的方法 -- hypersphere prototypes (HyperProto),使用动态尺寸的超球体来表示类信息,同时在 NLP 和 CV 领域上的实验验证了我们方法的有效性。
Nov, 2022
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