NormFace: L2 Hypersphere Embedding for Face Verification

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 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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