NormFace: L2 Hypersphere Embedding for Face Verification

最新推荐文章于 2024-04-27 09:56:23 发布
原创 最新推荐文章于 2024-04-27 09:56:23 发布 · 359 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#face recognition

本文介绍了一种名为NormFace的面部识别优化方法，通过特征和权重矩阵归一化及使用agentvector代替hardmining来提升模型效果。实验表明，在他人预训练模型上进行fine-tuning，如Wu的10层Maxout CNN和Wen的28层ResNet，性能优于从头开始训练。代码可在GitHub上获取。

该文采用将特征或者权重矩阵归一化的方法，并引入了agent vecotor 代替了hard mining。论文中将方法在别人模型上进行finetuning，比自己从头训模型的效果要更好。

用来finetuning的模型：

Wu’s model is a 10-layer plain CNN with Maxout[6] activation unit.

https://github.com/AlfredXiangWu/face_verification_experiment

Wen’s model is a 28-layer ResNet[7] trained with both softmax loss and center loss.

https://github.com/ydwen/caffe-face 

论文代码：https://github.com/happynear/NormFace 

NormFace L2 Hypersphere Embedding for Face Verification
weixin_37958272的博客
07-07 298
NormFace: L2 Hypersphere Embedding for Face Verification 3 L2 NORMALIZATION LAYER 在这一部分中，我们回答了当损失函数为softmax-loss时为什么要对特征进行规范化，以及如果直接对规范化特征进行softmax-loss，为什么网络不收敛的问题。 3.1 Necessity of Normalization 图2：左：使用MNIST[14]数据集上的softmax loss优化二维特征分布。请注意，f1和f2之间的欧氏距离
NormFace: L2 HypersphereEmbeddingforFaceVerification
chenaxin的博客
06-26 461
https://dl.acm.org/doi/10.1145/3123266.3123359 摘要 由于卷积神经网络的发展，人脸验证方法的性能得到了迅速提高。在典型的人脸验证方法中，特征归一化是提高性能的关键步骤。这促使我们在训练中引入和研究归一化的效果。但我们发现这不是平凡的，尽管归一化是可微的。通过数学分析，我们发现并研究了四个与归一化有关的问题，这有助于理解和设置参数。在此基础上，我们提出了两种使用归一化特征进行训练的策略。第一个是softmax损失的修改，优化余弦相似度，而不是内积。第二种是通过为每
中文翻译 SphereFace Deep Hypersphere Embedding for Face Recognition
09-11
论文翻译，保留原文排版。 SphereFace: Deep Hypersphere Embedding for Face Recognition
人脸识别-NormFace: L2 Hypersphere Embedding for Face Verification
Iriving_shu的博客
10-15 1723
简介：论文地址：https://arxiv.org/abs/1704.06369 代码地址：https://github.com/happynear/NormFace 我们都知道做人脸认证时，使用训练好的模型，测试阶段将特征归一化再做余弦相似度进行比较。而这篇文章主要的想法来源是为什么再训练阶段我们不进行归一化了？本文主要解决的问题就是如何训练的时候增加归一化。 作者分别使用两种策略来训练分析
人脸识别“NormFace: L 2 Hypersphere Embedding for Face Verification”
cv_family_z的博客
10-31 934
源码地址： https://github.com/happynear/NormFace 研究了特征归一化方法用于增强人脸验证性能，同时提出了两种适应于归一化特征训练的两种策略：基于优化余弦相似度改进的softmax损失，改进的度量学习方法。 在人脸验证中，余弦距离或者L2归一化的欧式距离通常用来衡量特征间的相似度，余弦距离相当于归一化的两个向量的内积。但在CNN的训练中，内积运算通常不进行归一...
论文笔记 | FaceNet: A Unified Embedding for Face Recognition and Clustering
你的益达
06-11 440
出处：CVPR 2015 论文：https://arxiv.org/abs/1503.03832 代码：https://github.com/davidsandberg/facenet 摘要： 　　在本文中，提出了FaceNet，它直接学习从 face images 到 compact Euclidean 欧几里德空间的映射，其中距离直接对应于人脸相似度。一旦生成了这个空间，使用FaceNet嵌入...
A-Softmax的keras实现-《SphereFace: Deep Hypersphere Embedding for Face Recognition》
明年暑假升初中的博客
03-23 3690
A-Softmax的keras实现 参考文档：https://www.cnblogs.com/heguanyou/p/7503025.html 注：主体完成，调试中，先行记录，待续。。。已完成 注：我写的不是很好，因为模型搭建用到了batch_size这个参数，所以编译很慢；而且资料都说该方法很难收敛，比较难训练；推荐后续的改进版： 《AM : Additive Margin Sof...
FaceNet论文笔记: A Unified Embedding for Face Recognition and Clustering
stu14jzzhan的博客
07-19 934
本文是对人脸识别的经典论文《FaceNet: A Unified Embedding for Face Recognition and Clustering》的一些笔记。笔记基本按照文章的结构来的，并参考引用了深度之眼CV方向Paper班的PPT。 论文下载地址 https://arxiv.org/abs/1503.03832 1. 引言 1. 人脸识别的主要任务 Identification：...
NormFace
TigerTai98的博客
02-20 948
NormFace NormFace: L2 HyperSphere Embedding for Face Verification http://www.cs.jhu.edu/~alanlab/Pubs17/wang2017normface.pdf Baseline Model Original Accuracy Finetune Using Normalization ...
NormFace: L2 Hypersphere Embedding for Face Verification阅读笔记
Malidong的博客
11-08 482
发布于2017年。 1 简介 对softmax loss函数进行了修改，优化了余弦相似度。 通过为每个类引入代理向量来重新制定度量学习。 在LFW数据集上将性能提高0.2%到0.4%。 问题： 对比分类损失训练的CNN特征，尤其是softmax loss，为什么特征归一化如此有效？ 为什么使用softmax loss直接优化余弦相似度会导致网络收敛失败？ 使用softmax loss时如何优化余弦相似度？ 由于softmax loss模型归一化后不收敛，是否有其他的损失函数适用于归一化？ 2 归一化
NORMFACE:L2 hypersphere embedding for face Verification
起风了的博客
05-02 6156
本文的思想很简单，就是通过验证研究正则化的本质，来设计网络结构。 提取问题： 1，为什么用classificatin  loss，尤其是softmax loss训练cnn  特征的时候，特征正则化这么有效果？ 2，为什么用softmax loss  来直接优化余弦相似度会导致 网络不能收敛？
论文阅读笔记：NormFace: L2 HyperSphere Embedding for Face Verification
ProYH
07-13 2601
论文阅读笔记：NormFace: L2 HyperSphere Embedding for Face Verification 本文主要包含如下内容：   论文地址   代码地址   参考博客 论文阅读笔记：NormFace: L2 HyperSphere Embedding for Face Verification 主要思想 算法原理 实验结果 总结 代码实现 norma...
【论文笔记】SphereFace: Deep Hypersphere Embedding for Face Recognition（pytorch）
weixin_42105640的博客
02-20 759
SphereFace: Deep Hypersphere Embedding for Face Recognition github源码 本文讨论了open-set protocol下的深度人脸识别(FR)问题，在适当选择的度量空间下，理想人脸特征的最大类内距离比最小类间距离要小。然而，很少现有的算法可以有效地达到这个标准。为此，我们提出了angular softmax(A-Softmax)损失...
人脸识别系列（十四）：NormFace
Fire_Light_的博客
03-18 5009
NormFace: L2 Hypersphere Embedding for Face Verification 提出问题 之前的人脸识别工作，在特征比较阶段，通常使用的都是特征的余弦距离 而余弦距离等价于L2归一化后的内积，也等价L2归一化后的欧式距离（欧式距离表示超球面上的弦长，两个向量之间的夹角越大，弦长也越大） 然而，在实际上训练的时候用的都是没有L2归一化的内积 关于这一点...
NormFace精简版
weixin_37958272的博客
04-27 370
NormFace
探索NormFace：深度学习中的规范化人脸识别框架
最新发布
gitblog_00014的博客
04-27 319
探索NormFace：深度学习中的规范化人脸识别框架 NormFaceNormFace: L2 HyperSphere Embedding for Face Verification, 99.21% on LFW项目地址:https://gitcode.com/gh_mirrors/no/NormFace 是一个基于深度学习的人脸识别项目，它采用了新颖的规范化方法来优化模型训练和提高识别精度。本...
SphereFace: Deep Hypersphere Embedding for Face Recognition
04-28
SphereFace is a deep learning model that was proposed for face recognition tasks. It is based on the idea of embedding face images into a hypersphere space, where the distance between different face embeddings can be used to measure the similarity between faces. The SphereFace model consists of a deep convolutional neural network (CNN) that learns to extract high-level features from face images. The output of the CNN is then fed into a fully connected layer, which maps the features onto a hypersphere with a fixed radius. The final face embedding is obtained by normalizing the feature vector to lie on the hypersphere. SphereFace was shown to achieve state-of-the-art performance on several face recognition benchmarks, including LFW, CFP, and MegaFace. Its success is attributed to its ability to learn discriminative features that are robust to variations in pose, illumination, and expression.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值