May, 2022

SFace：用于强健人脸识别的 Sigmoid 受限高维球形损失

PDF
TL;DR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。
deep face recognitionloss functionsoverfittingsfacesigmoid-constrained hypersphere loss
发现论文，激发创造
  • 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

  • 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

  • SFace：使用合成数据进行隐私友好型高精准度人脸识别

    本研究提出并研究了使用一种隐私友好的合成人脸数据集，通过条件生成对抗网络生成类标记的人脸图像。在此基础上，提出了三种不同的学习策略，对这种隐私友好的合成数据集进行人脸识别的训练，并在多个人脸识别基准测试中证明了其高潜力。

    Jun, 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

  • SphereFace2：二进制分类满足深度人脸识别需求

    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

  • 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

  • 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

  • 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

  • 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

  • 支持向量引导的 Softmax 损失用于人脸识别

    提出了一种新颖的损失函数 (SV-Softmax), 该函数从支持向量的角度来指导深度卷积神经网络的学习，使得因难例引起的歧义和其他类别的歧义都得以解决，产生了更具区分性的特征.

    Dec, 2018