Oct, 2022

BoundaryFace：面部识别噪声标签自校正挖掘框架

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • NPT-Loss：一种具有内隐挖掘功能的度量损失用于人脸识别

    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。

    Mar, 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

  • KappaFace: 深度人脸识别的自适应加性角边界损失

    通过KappaFace算法和von Mises-Fisher分布相结合，提出了一种考虑类不平衡问题的大规模人脸识别方法，该算法有效提高了深度人脸识别的性能。

    Jan, 2022

  • AdaFace：用于人脸识别的质量自适应边距

    本研究提出了一种新的损失函数AdaFace，它可以基于图像质量加重不同难度的样本，通过用特征范数来近似图像质量，从而提高人脸识别性能。

    Apr, 2022

  • UniTSFace：整合阈值的样本对样本损失用于人脸识别

    该论文提出了一种统一阈值的样本到样本损失（USS损失）用于人脸识别，并探讨了其与样本到样本softmax损失和bce损失的关系，通过在多个基准数据集上的广泛评估，证明了提出的USS损失具有高效性，并且能够与样本到类别损失无缝协同工作，其埋入损失（USS和样本到类别softmax损失）的训练人脸模型UniTSFace表现出卓越性能，超过了CosFace、ArcFace、VPL、AnchorFace和UNPG等最先进的方法。

    Nov, 2023

  • X2-Softmax：人脸识别的边界自适应损失函数

    该论文提出了一种新的角度自适应边界损失函数X2-Softmax，通过增加类别之间的角度来提供自适应边界，从而提高人脸识别的效果。

    Dec, 2023