Iriving_shu的博客

https://www.kesci.com/apps/home_log/index.html#!/forum/user/mypost

本次学习的是来自cvpr2015的《Person Re-identification by Local Maximal Occurrence Representation and Metric Learning》。 项目主页：http://www.cbsr.ia.ac.cn/users/scliao/projects/lomo_xqda/XQDA度量方法交叉视角的二次判别分析法 (XQDA)是在保

经验sphereface中由于添加了margin的参数，当margin=4时，训练样本中很多达到优化条件，如下图所示，cos(mx) < cosx，所以会造成 特征的 模增大，模增大则导致log括号里面的数值超过最小float，loss的最大值由FLT_MIN得到，FLT_MIN定义为1.17549435E-38F，这个数字的自然对数正好就是 -87.3356，算loss时需要取负值，结果就能

最近sphereface人脸方法是目前开源人脸中最有效的方法，通过改进我也获得了lfw acc 99.7%的结果，下面几篇也是对sphereface改进的论文：AM : Additive Margin Softmax for Face VerificationAAM : Face Recognition via Centralized Coordinate LearningArcFace: ArcF

简介本篇论文来自猎户星空这家公司 论文地址https://arxiv.org/abs/1709.02940 tripletloss 来自google发表在cvpr2015上的《A Unified Embedding for Face Recognition and Clustering 》。在lfw上acc为99.63%。因此很多都想复现其效果。但据我了解到目前公开出来训练tripletloss

本文主要介绍一篇来自nips 2017的文章 《Rethinking Feature Discrimination and Polymerization for Large-scale Recognition》。本文主要提出了一个新的loss提高人脸识别准确率。这篇文章算是特征归一化的一系列文章中的一篇，同一时期的还有 L2-Softmax，NormFace。SphereFace在这基础上提出Mar

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

简介文章来源CVPR2017。核心思想是修改SoftmaxLoss来增大类间角度距离。 文章地址：https://arxiv.org/abs/1704.08063 代码地址：https://github.com/wy1iu/spherefaceSoftmaxLoss首先回忆一下softmax。对于二分类的情况，softmaxloss产生的后验概率为： 由最大似然原则，使用如下公式作为los

import numpy as npimport matplotlibmatplotlib.use('Agg')import matplotlib.pyplot as pltfrom sklearn.metrics import roc_auc_scorescores = []with open("result.txt") as f: lines = f.readlines()

好记心不如烂笔头，以此记录自己的学习历程。 这篇论文 Centerloss来自Eccv2016。本文主要讲解其核心原理以及源码和实验。 论文地址：https://ydwen.github.io/papers/WenECCV16.pdf 代码地址：https://github.com/ydwen/caffe-face简介在人脸识别中，就是要学习到一种判别性好的特征。作者通过增加centerlos