Nov, 2023

UniTSFace：整合阈值的样本对样本损失用于人脸识别

HTML
PDF
TL;DR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。
发现论文，激发创造
  • ArcFace：深度人脸识别的加性角度间隔损失

    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

  • 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

  • 未知身份拒绝损失: 利用无标签数据进行人脸识别

    本文提出“未知身份拒绝”（UIR）损失，通过利用未标记的数据进一步提高人脸识别性能。对于被归类于未受约束的环境中的身份，我们将其分为已知集合和未知集合。除了训练模型以准确分类已知身份，我们还通过所提出的UIR损失使模型拒绝未标记数据提供的未知身份。利用所提出的方法，可以增强人脸表示的区分度，实验结果表明，我们的方法可以明显提高利用未标记数据的人脸识别性能。

    Oct, 2019

  • 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

  • 通过分布蒸馏损失提高来自困难样本的人脸识别

    本文提出了一种新的Distribution Distillation Loss方法来缩小容易和难的样本之间的性能差距，该方法是一种简单、有效、通用的面部变形方法，并在各种类型的面部变形基准上展示了其显著优越性。

    Feb, 2020

  • 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