Apr, 2024

MHLR：移动 Haar 学习率调度器用于一 GPU 大规模人脸识别训练

PDF
TL;DR该论文提出了一种简单而非常有效的方法，Moving Haar Learning Rate（MHLR）调度器，用于在训练过程中及时准确地调整学习率，支持仅使用一块 GPU 进行大规模的人脸识别训练，能够将模型的训练时间加速到原来的 1/4，而准确度损失不超过 1%。
face recognitiondeep learninglarge-scale datasetstime complexitymhlr scheduler
发现论文，激发创造
  • 低分辨率人脸识别中的分辨率增强和度量：一个简单但有效的新基线

    研究提出一种新的处理低分辨率人脸识别的框架，其中采用了多分辨率增强和基于对数指数距离函数的度量损失，能够有效克服低分辨率下表现退化的问题，并在多种实验数据集上表现出良好的识别性能。

    Feb, 2023

  • 一种有效的面部识别大规模训练方法

    利用动态类池，在不降低性能的情况下加快速度，提高人脸识别精度。

    May, 2021

  • 基于多边界的异构人脸识别去相关学习

    本文提出了一种名为多边距基准去相关学习的深度神经网络方法，用于识别在不同情境中获取的面部图像，并在两个具有挑战性的异构面部数据库上实现了比最先进方法更卓越的验证和识别效果。

    May, 2020

  • 面向高分辨率视频的高精度稳定人脸对齐

    本研究提出了一种基于分数热力图回归的高分辨率视频人脸对齐方法，该方法可以准确估计热图中的分数部分，并提出了一个新的稳定损失来解决时间延迟和非平滑问题。实验证明，该方法的精度和稳定性优于现有的方法。

    Nov, 2018

  • 大批量训练自动学习率调度器

    本文提出了一种有效的 LR 调试算法，其中包括自适应的预热和预定义的衰减，通过高斯过程平滑的在线检查方法可以有效地训练具有大批次大小的神经网络。

    Jul, 2021

  • 教导焦点：基于注意力相似度知识蒸馏的低分辨率人脸识别

    本文提出了一种注意力相似性知识蒸馏方法，通过将从高分辨率网络得到的注意力地图作为教师传递到低分辨率网络作为学生，从而提高低分辨率图像的识别性能。该方法在各种低分辨率人脸相关基准上的实验证明其通常可以通过简单地传输精心构造的注意力图来改善低分辨率设置下的识别性能，优于现有技术水平。

    Sep, 2022

  • 野外低分辨率人脸识别：比较和新技术

    本文分析在野外捕捉到的低质量条件下的人脸识别技术，提出了超分辨率方法、深度学习和有监督的判别学习方法来处理这个问题，并在 SCFace 和 UCCSface 数据集上进行了评估。

    May, 2018

  • 一种用于野外图像中准确详细人脸重建的分层表示网络

    本文介绍了一种新的分层表示网络（HRN），通过几何分离和分层表示来实现对细节精确的面部重建。同时，考虑不同视角的细节一致性，提出了一种去除重新贴图模块。通过在两个单视图和两个多视图 FR 基准上的实验，展示了该方法在重建精度和视觉效果方面的优越性，并引入了高质量的 3D 面部数据集 FaceHD-100。

    Feb, 2023

  • AutoLRS: 基于贝叶斯优化的自动学习率调整

    该研究提出了一种名为 AutoLRS 的自适应学习率优化方法，使用贝叶斯优化自动调整神经网络中的学习率，能够显著提高训练的效率和准确性。

    May, 2021

  • 面部表情识别的动态分辨率指导

    本文介绍了一种名为动态分辨率引导面部表情识别（DRGFER）的实用方法，该方法能够在分辨率不同的图像中有效地识别面部表情，而不会影响面部表情识别模型的准确性。该方法包括两个主要组成部分：分辨率识别网络（RRN）和多分辨率适应面部表情识别网络（MRAFER）。RRN 确定图像分辨率，输出一个二进制向量，而 MRAFER 根据分辨率将图像分配给适合的面部表情识别网络。我们在广泛使用的 RAFDB 和 FERPlus 数据集上评估了 DRGFER，结果显示我们的方法在每个分辨率上保持了最佳模型性能，并且优于其他分辨率方法。所提出的框架对分辨率变化和面部表情具有鲁棒性，为实际应用提供了有前途的解决方案。

    Apr, 2024