人脸对比的loss

最新推荐文章于 2024-10-19 21:13:19 发布
原创 最新推荐文章于 2024-10-19 21:13:19 发布 · 569 阅读 · 1 ·
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。

感谢我的同事@徐桦所作的工作

一、主要类型

1.1 pairwise系列

早期的人脸识别的loss主要是以contrastive loss 和tripletloss为主，但随着数据集的增大，需要复杂的数据对构造策略，否则搜索空间是 O ( N 2 {O(N^2} O(N2)和 O ( N 3 ) {O(N^3)} O(N3)，效果明显不如softmax系列

1.2 Softmax系列

在这里插入图片描述

  • softmax with loss
    L s = − 1 m ∑ i = 1 m l o g e W y i T f i + b y i ∑ j = 1 n e W j T f i + b j L_s=-\frac{1}{m}\sum_{i=1}^{m}log\frac{e^{W^T_{y_i}f_i+b_{y_i}}}{\sum{_{j=1}}{^n}e^{W^T_j{f_i+b_j}}} Ls​=−m1​i=1∑m​log∑j=1​neWj
最低0.47元/天 解锁文章
人脸识别中的loss损失函数解析7-Additive Angular Margin Loss
kupePoem的专栏
12-26 557
目录 一、概述 二、Additive Angular Margin Loss（Arcface Loss） 1、概述 2、Arcface Loss及不同Loss对比 3、可视化边界 三、可视化结果探讨 四、论文链接 一、概述 在人脸识别中，算法的提高主要体现在损失函数的设计上，损失函数会对整个网络的优化有着导向性的作用。我们看到许多常用的损失函数，从传统的softmax loss到cosface, arcface 都有这一定的提高。无论是SphereFace、Cosin...
对比学习loss-Triplet Loss, Ranking Loss, Margin Loss、center loss，InfoNCE loss
weixin_36378508的博客
11-04 7262
Ranking Loss简介 ranking loss实际上是一种metric learning,他们学习的相对距离，而不在乎实际的值. 其应用十分广泛，包括是二分类，例如人脸识别，是一个人不是一个人。 在不同场景有不同的名字，包括 Contrastive Loss, Margin Loss, Hinge Loss or Triplet Loss. 但是他们的公式实际上非常一致的。大概有两类，一类是输入pair 对，另外一种是输入3塔结构。 Pairwise Ranking Loss 对于正样本。
人脸识别常用数据集和Loss
m0_37531129的博客
07-15 2041
数据集的noise对训练效果的影响很大！很长一段时间MegaFace的效果都上不去，就是因为数据集噪声的原因。而且自己在训练人脸的时候，如果不对数据集的噪声和属性有一点了解，对训练结果可能会有误判，甚至越训练越差…在选择数据集的时候不要一味求大，有的时候选择一个noise比例极高的大数据集，效果还不如选择一个clean的小数据集呢，可以参见这篇论文The Devil of Face Recognition is in the Noise LFW 全名是Labeled Faces in the Wild.这个
【深度学习】人脸识别的Loss
聊北辰同学的博客
07-16 1053
人脸识别 4个关键步骤 人脸检测 人脸对齐 人脸编码，特征提取 人脸匹配 这里重点关注特征提取部分，为得到更优的特征而设计的不同的损失函数！ 何为更好的特征？损失函数又是如何影响模型输出的特征的呢？ Softmax 这一切就先从耳熟能详的softmax说起。 分类模型可以看作表征模型和分类器组成，表征模型输出特征向量，分类器基于输入的特征完成特征到类别的映射。但是类别较多的情况下，我们通常不这么做，特征提取+相似度匹配作为一种更加高效的方法被广泛使用，人脸识别就是其中一个典型的例子。 下面进入正题，开始
人脸识别loss
myh12138的博客
05-26 315
loss的变化 Y = wx + b softmax loss 使得该类的样本更多地落入到该类的决策边界之内。 而这种方式主要考虑样本是否能正确分类，缺乏类内和类间距离的约束。 Center Loss Center Loss的整体思想是希望一个batch中的每个样本的feature离feature 的中心的距离的平方和要越小越好，也就是类内距离要越小越好。作者提出，最终的损失函数包含softmax loss和center loss，用参数λ来控制二者的比重。 Center Loss的出现，使得人脸识
人脸识别的loss总结
qq_40429303的博客
06-16 1008
移步到：https://blog.youkuaiyun.com/Wuzebiao2016/article/details/81839452
人脸识别-Crystal loss
weixin_NineDays66
11-28 746
简介 the Crystal loss gains a significant improvement in the performance. It achieves new state-of-the-art results on IJB-A, IJB-B, IJB-C and LFW datasets, and competitive results on YouTube Face datas...
精选资源
基于多任务卷积网络(MTCNN)和Center-Loss的多人实时人脸检测和人脸识别系统 毕业设计
02-09
基于center loss 或者triplet loss原理开发人脸对比功能，模型采用ResNet inception v2. 该功能能够比较两张人脸图片的相似性。具体可以参考 Paper和FaceNet 反欺诈功能，根据光线，质地等人脸特性来防止照片攻击，...
人脸验证（LOSS）之Facenet
爱破破爱科研
09-04 1794
  FaceNet是目前引用量最高的人脸识别方法，没有用Softmax，而是提出了Triple Loss： 以三元组（a, p, n）形式进行优化，不同类特征的L2距离要比同类特征的L2距离大margin m，同时获得类内紧凑和类间分离。FaceNet用200M训练数据，仅128维特征映射，在LFW上达到了99.63%，非常犀利。但代码、模型和训练数据集都没有开源，三元组选择极具技巧性，复...
浅谈人脸识别中的loss 损失函数
热门推荐
liguiyuan的博客
04-17 1万+
在人脸识别中，算法的提高主要体现在损失函数的设计上，损失函数会对整个网络的优化有着导向性的作用。我们看到许多常用的损失函数，从传统的softmax loss到cosface, arcface 都有这一定的提高，这篇文章自己就来整理下这几个算法。 无论是SphereFace、CosineFace还是ArcFace的损失函数，都是基于Softmax loss来进行修改的。 Base l...
人脸相似度对比
09-09
人脸对比，两张本地图片的对比，返回两张图片中人脸的相似度
face++实现人脸相似度对比
05-08
通过比较两张人脸相似度判断是否是同一个人，博客说明：http://blog.youkuaiyun.com/zhong1113/article/details/25332893
百度人脸对比Demo程序
04-01
1、该Demo主要使用C#实现调用百度人脸对比接口功能； 2、项目使用VS2017创建； 3、在代码中填入自己的AppID、API Key、Secret Key值即可以，如何获取Key请参阅解压后的文档《获取Key步骤.txt》。
人脸识别损失函数总结
chen_znn的博客
06-30 2285
学习记录之经典人脸识别损失函数总结
对比损失（Contrastive Loss）详解
超大青花鱼的博客
10-19 2549
对比损失的基本思想是，通过构建一对样本 ( (x_i, x_j) )，如果这对样本来自同一类（即正样本对），模型应该使得它们在特征空间中的距离更小；而对于不同类别的样本（即负样本对），模型则应该使得它们在特征空间中的距离尽量大。对比损失（Contrastive Loss）是一种常见的度量学习损失函数，它通过学习样本对之间的相似性和差异性，使得相似样本对在特征空间中的距离更小，而不相似样本对的距离更大。通过最小化这一部分的损失，模型学习到相似样本的特征表示应该接近。，这一部分的损失将为零。
几种人脸识别的loss和改进思路
Hello Word!
09-07 1362
https://resources.wolframcloud.com/NeuralNetRepository/resources/2D-Face-Alignment-Net-Trained-on-300W-Large-Pose-Data http://www.cbsr.ia.ac.cn/users/xiangyuzhu/projects/3DDFA/Database/300W-LP/main.htm [300W-3D]: https://drive.google.com/file/d/0B7OEHD3T4e
盘点在人脸识别领域现今主流的loss
AI程序媛的博客
05-22 419
参考博客：https://zhuanlan.zhihu.com/p/64314762
人脸识别 损失函数 centerloss arcfaceloss pytorch实现
不佛的博客
10-16 3776
Softmax loss
对比学习知识扩展——一堆奇奇怪怪的loss，快把我压死了orz...
The smart is sexy
11-20 5551
1.交叉熵loss和对比loss区别 交叉熵 loss 是 最后结果过一层 fc 然后进行 softmax 。 然后 fc 的系数 W 就是特征的模板（模板的意思是把一些特征用这个Wc参数转换后，就能判断它是否是c类，相当于这个Wc就是c类的模板） 非参数样本分类 loss : 这里所谓非参数样本分类，则是将每个计算出的样本特征作为模板 对比 loss 2.Triplet Loss 和 对比loss 区别： Triplet Loss 负样本只有一对 对比 loss 负样本有很多对...
人脸对比是否是同一人
最新发布
05-30
### 人脸对比算法的基本原理与实现方法 人脸对比技术的核心在于通过提取人脸的特征信息，并将其转化为可以量化的形式，从而实现对两张人脸图片是否属于同一个人的判断。这一过程通常依赖于深度学习模型中的卷积神经网络（CNN），用于生成高维特征向量[^1]。 #### 特征提取与相似度计算 在人脸识别中，常用的特征提取方法包括基于传统机器学习的局部二值模式（LBP）和主成分分析（PCA），但现代技术更多依赖深度学习模型。例如，FaceNet 是一种典型的深度学习框架，它通过训练一个三元组损失函数（Triplet Loss），使得同一个人的不同人脸图片在特征空间中的距离尽可能小，而不同人的图片之间的距离尽可能大[^1]。 当两张人脸图片被输入到预训练好的 CNN 模型后，会生成对应的特征向量（通常为 128 维或更高）。接下来，可以通过计算这两个特征向量之间的欧氏距离或余弦相似度来判断它们是否属于同一个人。如果相似度超过设定的阈值，则认为是同一个人；否则认为是不同的人[^4]。 ```python import numpy as np def cosine_similarity(vec1, vec2): # 计算两个向量的余弦相似度 return np.dot(vec1, vec2) / (np.linalg.norm(vec1) * np.linalg.norm(vec2)) # 示例：假设 vec1 和 vec2 是两张人脸的特征向量 vec1 = np.random.rand(128) vec2 = np.random.rand(128) similarity = cosine_similarity(vec1, vec2) if similarity > 0.7: # 阈值可以根据实际需求调整 print("同一人") else: print("非同一人") ``` #### 提升识别性能的技术手段 在实际应用中，为了减少计算资源浪费并提高识别准确率，可以采用人脸跟踪技术，避免对视频流中每一帧都执行完整的人脸识别流程。具体来说，可以先通过人脸检测定位出目标人脸的位置[^3]，再结合人脸跟踪算法（如 Kalman 滤波器或光流法）筛选出质量较高的帧进行识别[^2]。 此外，考虑到光照、姿态、遮挡等因素对识别结果的影响，还可以引入数据增强技术，在训练阶段模拟各种复杂场景，从而提升模型的鲁棒性。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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