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
本文通过引入新的岛津损失函数,在人脸表情识别领域尝试了新的改进方法,从而提高了卷积神经网络的性能。实验结果显示,使用该岛津损失函数的卷积神经网络相比于传统的 softmax loss 和中心损失方法以及同领域最先进方法表现更优,成功解决了真实世界条件下人脸表情识别中的问题。
Oct, 2017
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
本文针对可解释脸部识别问题,提出了一个名为 “inpainting game” 的评估协议,并提供了一套基准数据集用于比较 5 种最先进的面部 Attention 算法。同时,展示了这些算法在新颖的图像上的可视化效果,并探讨了这些算法如何提高脸部匹配器的透明度和可信度。
Aug, 2020
生成对抗网络生成的图像以及假排练方法能够增强卷积神经网络在情绪识别中的性能,保留之前学习到的知识,同时提高对目标数据集和源数据集的训练。
Apr, 2024
本文提出并实现了一种基于单个卷积神经网络的人脸识别方法,使用残差学习框架和归一化特征计算损失,实验证明在不同数据集上具有较好的泛化性能。
Mar, 2017
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
提出了一种新型的 CNN 分类器损失函数,即 CAM-loss,利用类激活映射来约束特征图,以得到更具有区分度的特征表示,并提出了一种基于 CAAM-CAM 匹配的知识蒸馏方法。
Sep, 2021
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
本文在人脸识别任务中探讨了卷积神经网络 (convolutional neural network) 的应用,提出了一种名为 Li-ArcFace 的新的损失函数 (loss function), 并在 MobileFaceNet 这一网络架构上进行了改进及添加注意力机制,同时总结出一些在人脸识别训练中的有用技巧,并在 LFR2019 深光科技挑战赛中荣获第二名。
Jul, 2019