Aug, 2023

深層增強多模態集成人臉識別及樣本級權重

PDF
TL;DR利用多模型增强技术和样本级加权方法提出了一种强大的特征提取器，通过解决当前面部识别训练基准中高质量图片过多导致对困难样本泛化能力差的问题，以及将样本困难度纳入训练准则，取得了比其他算法更优的表现。
deep convolutional neural networksface recognitionmulti-model boosting techniquesample-level weightingangular margin loss functions
发现论文，激发创造
  • DeepVisage：简单却具有强大的泛化能力的人脸识别技术

    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

  • 人脸识别的 Web 规模训练

    本文研究了深度卷积网络在人脸识别中的性能，发现网络的 “瓶颈” 结构对于迁移学习具有重要作用，并提出了一种解决方法，即用自助法取代随机子采样；同时还发现了表示范数和目标域判别能力之间的联系，并基于这些发现，在目前最流行的人脸识别数据集 LFW 上取得了优秀的性能，甚至超越了商用系统。

    Jun, 2014

  • 面部表情的人脸识别动态多任务学习

    本文提出了一种基于动态多任务学习的方法，它可以根据训练任务的难度动态调整任务权重，从而实现面部识别和面部表情识别的性能提升，并证明其与单任务学习方法相比具有更高的性能。

    Nov, 2019

  • 通过深度模型集成增强可证明的鲁棒性

    本文提出了一种算法，通过优化加权基本模型，对深度模型群集的认证稳健性进行增强，实验结果证明了该算法可以形成比 naive 平均所有可用模型更为稳健的群集，并且通常具有更好的准确性。

    Oct, 2019

  • 人脸识别质量感知样本对比

    本文提出了质量感知的学习过程（QAFace），通过在样本级别将质量感知引入到分类训练范式中，该模型将 Softmax 中心自适应引导到更多注意训练数据集中可识别的低质量样本，从而提高了模型对低质量样本的性能，并高于 CFP-FP，LFW，CPLFW，CALFW，AgeDB，IJB-B 和 IJB-C 数据集上的最先进算法。

    Jun, 2023

  • 用于训练人脸识别 CNN 的噪声容忍模式

    使用加权样本的训练范式，基于角边缘损失函数训练深度卷积神经网络模型既可消除噪声数据效应，又可以在大规模人脸识别数据集上实现高精度识别。

    Mar, 2019

  • 轻量级人脸识别：改进的 MobileFaceNet 模型

    本研究详细探讨和比较了轻量级人脸识别模型，特别关注 MobileFaceNet 及其修改版 MMobileFaceNet。我们研究了数据集选择、模型架构和优化算法对人脸识别模型性能的影响。通过在 EFaR-2023 竞赛中的参与，我们的模型在参数受限的类别中表现出色。通过使用 Webface42M 数据集的子集和集成锐度感知最小化（SAM）优化，我们在各种基准测试中实现了显着的精度提升，包括跨姿势、跨年龄和跨种族的性能。结果凸显了我们方法在打造既计算高效又在不同条件下保持高精度的模型方面的有效性。

    Nov, 2023

  • 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

  • 不均衡标签样本分布下的时尚检测数据高效训练

    本文介绍了一种基于深度神经网络的加权目标函数方法，用于解决电子商务中多标签分类模型数据分布不平衡的问题，并以时尚属性检测为例进行了实验，结果表明相比于非加权和逆频率加权机制，采用新的加权机制的表现更好，同时验证了该方法在当今时尚业常见属性检测中的鲁棒性。

    May, 2023

  • 深度嵌入学习中的采样问题

    本文提出了基于距离加权采样的深度嵌入方法，用于图像检索、聚类和人脸验证任务，取得了所有数据集上的最优性能。

    Jun, 2017