人脸识别改进笔记

已于 2022-04-08 00:47:08 修改
阅读量3.1k 收藏 2
点赞数
CC 4.0 BY-SA版权
分类专栏： 深度学习宝典 人脸识别 文章标签： pytorch 深度学习
于 2019-01-08 23:58:41 首次发布
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。
本文链接：https://blog.youkuaiyun.com/jacke121/article/details/86108515
本文提出了子中心ArcFace方法，通过放宽强制样本接近唯一正中心的约束，增强了对噪声数据的鲁棒性。通过在每个类中设计多个子中心，模型在大量真实世界噪声下表现出更好的性能，且在Celeb500K等大规模数据集上实现了最先进的识别效果。同时，通过放弃非主导子中心和高置信度噪声样本，保持了类内紧凑性，提高了准确性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

人脸识别/检测(Facial Recognition/Detection)

Sub-center ArcFace

2 Related work

人脸识别/检测(Facial Recognition/Detection)

[4] DeepFace-EMD: Re-ranking Using Patch-wise Earth Mover's Distance Improves Out-Of-Distribution Face Identification(使用 Patch-wise Earth Mover 的距离重新排序改进了分布外人脸识别)
paper | code

模型有87m，107m，resnet101 171m

Sub-center ArcFace

: Boosting Face Recognition by Large-

了解本专栏 订阅专栏 解锁全文 超级会员免费看
DL-Paper精读：NF-ResNets
星月野的博客
02-10 1009
CHARACTERIZING SIGNAL PROPAGATION TO CLOSE THE PERFORMANCE GAP IN UNNORMALIZED RESNETS https://arxiv.org/pdf/2101.08692.pdf background 目前的CV领域，BatchNormalization几乎是所有SOTA工作中必备的操作。它确实带来了很多好处，例如： 平滑了Loss平面，同时消除了因mini_batch带来的噪声，整体来说就是提高了网络训练的速度和稳定性。.
nfnets_pytorch：经过预训练的NFNet，其准确性为官方论文“无需归一化的高性能大规模图像识别”的99％
03-04
NFNet Pytorch实施 此回购包含来自未经归一化的高性能大型图像识别论文的，具有ImageNet高精度的预训练NFNet模型F0-F6。 小型模型的精度与EfficientNet-B7一样，但训练速度快了8.7倍。 大型模型在ImageNet上设置了新的SOTA top-1精度。 NFNet F0 F1 F2 F3 F4 F5 F6 + SAM 最高为1的准确性Brock等人。 83.6 84.7 85.1 85.7 85.9 86.0 86.5 此实现的Top-1精度 82.82 84.63 84.90 85.46 85.66 85.62 待定 所有学分归的作者所有。 该在很大程度上受到其在出色的JAX实现的启发。 拜访他们的回购网站以作参考。 开始吧 git clone https://github.com/benjs/nfnet
NFNets
whaosoft143ai的博客
10-27 107
在某些情况下，稍大的学习率（在预训练期间）在微调后也能获得更好的性能。例如，在 JFT-3B 上预训练 210k TPU-v3 核小时后，ViT-g/14 在 ImageNet 上实现了 90.2% 的 Top-1 准确率，在 JFT-3B 上预训练超过 500k TPU-v3 核小时后，ViT-G/14 实现了 90.45% 的 Top-1 准确率。尽管 ViTs 在计算机视觉方面的成功令人印象深刻，但在我看来，没有强有力的证据表明，在公平评估时，预训练的 ViT 优于预训练的 ConvNets。
NFNet的学习笔记
Simple_jiang的博客
07-06 1736
NFNet：学习笔记
NFNet解读
周先森爱吃素的博客
02-19 6654
解读最近DeepMind发布的High-Performance Large-Scale Image Recognition Without Normalization这篇文章，针对无BN层的网络结构设计了NFNet系列网络，获得了新的SOTA。
nfnets-keras：无规范化网络和SGD的Keras实现-自适应梯度剪切
03-04
无规范化网络和SGD的Keras实现-自适应梯度剪切 论文： : 原始代码： : 如果可以帮助您的工作，请对该存储库加注星标！ 注意：此存储库所基于的pytorch实现感谢。 注意：有关任何优化器的一般实现，请参，作为需要它的任何人的临时参考。 安装 从PyPi安装： pip3 install nfnets-keras 或使用以下命令安装最新代码： pip3 install git+https://github.com/ypeleg/nfnets-keras 用法 NFNetF模型 与任何其他keras模型一样，使用任何NFNetF模型！ from nfnets_keras import NFNetF3 model = NFNetF3 ( include_top = True , num_classes = 10 ) model . compile ( 'adam'
NFNets-PyTorch 项目教程
gitblog_00044的博客
04-23 332
NFNets-PyTorch 项目教程 1. 项目的目录结构及介绍 nfnets-pytorch/ ├── docs/ │ └── ... ├── nfnets/ │ ├── __init__.py │ ├── agc.py │ ├── conv.py │ ├── nfnet.py │ └── ... ├── tests/ │ └── ... ├── CODE_OF_C...
人脸识别学习笔记一：入门篇
weixin_42364196的博客
07-11 976
人脸识别学习笔记一：入门篇 一、人脸识别概述 1.人脸识别的困难之处 不同个人之间的区别不大：大部分人脸的结构都很相似，甚至人脸器官的结构外形都很相似。 人脸的外形很不稳定：人的面部表情多变，不同的观察角度、光照条件等都会影响人脸的视觉图像。 2.人脸识别的典型流程 人脸检测（Face Detection）：人脸检测用于确定人脸在图像中的大小和位置，即解决“人脸在哪里”的问题，把真正的人脸区域从图像中裁剪出来，便于后续的人脸特征分析和识别。 人脸对齐（Face Alignment）：同一个人在
NFNet
whaosoft143ai的博客
11-06 244
通过额外正则化比如 Dropout 或者 Stochastic Depth，在 Batch Size 为1024时，无需归一化的模型在 ImageNet 上匹配了带有 Batch Norm 的 ResNet 的性能，甚至在小 Batch Size 时表现更好，但它们在大 Batch 下表现出不稳定。这是在当时使用迁移学习实现的最高精度。BN 的性能对于 Batch Size 的大小很敏感，当 Batch Size 太小时，Batch Size 网络的表现不佳，这限制了我们在有限硬件上训练的最大模型的尺寸。
NFNET:NFNET 一个基于 libevent 的 C++ 网络库。 NFNET 在这个网站 github.comketooNFrametreemasterNFDepNFNet
06-12
NFNET NFNET 一个基于 libevent 的 C++ 网络库。 NFNET 本站： :
推荐开源项目：NFNet Pytorch 实现
最新发布
gitblog_00081的博客
06-10 394
推荐开源项目：NFNet Pytorch 实现 nfnets_pytorch Pre-trained NFNets with 99% of the accuracy of the official paper "High-Performance Large-Scale Image Recognition Without ...
nfnets-Tensorflow-2:经过预训练的NFNet，其准确度达到官方论文“无需归一化的高性能大规模图像识别”的99％
05-08
无规范化网络和SGD的Tensorflow实现-自适应梯度剪切 论文： : 原始代码： : 安装及使用 我建议使用Docker运行代码： docker build -t nfnets/imagenet:latest --build-arg USER_ID=$(id -u) --build-arg GROUP_ID=$(id -g) . 要在imagenet数据集上训练NFNet，请执行以下操作： docker run --rm -it --gpus all -v $(pwd):/tf -p 8889:8888 -p 6006:6006 nfnets/imagenet:latest python train.py --variant F0 --batch_size 4096 --num_epochs 360 请参阅train.py模块以获取更多参数。 预先训练的权重已转换为
最强ResNet变体！归一化再见！DeepMind提出NFNet，代码已开源！
阿木寺的博客
02-13 2708
点击上方“CVer”，选择加"星标"置顶重磅干货，第一时间送达本文转载自：机器之心深度学习，已经不需要归一化了。我们知道，在传递给机器学习模型的数据中，我们需要对数据进行归...
人脸识别 资料
weixin_30615767的博客
03-25 288
https://gitee.com/l0km/feature_se人脸识别https://gitee.com/zeusees/Zeusee-Face-Anti-spoofing人脸识别https://gitee.com/FuZheng/FaceRecognition人脸识别https://gitee.com/zengchao/jrelax人脸识别https://ai.arcso...
人脸识别资料
zh_98的博客
02-19 394
OpenCV 中 CascadeClassifier  检测人脸区域，   asmlibrary.dll 可以检测人脸68点，需要先检测人脸区域 https://github.com/greatyao/asmlibrary  ArcFace 检测人脸、人脸比对，测试1.0版本比对准确率不太好 https://ai.arcsoft.com.cn/product/arcface.html  百...
DeepFace-EMD:在给定已知面孔图库的情况下识别查询图像中的人
qq_44926214的博客
01-17 591
第 1 阶段：排名，根据图像与预训练特征提取器的最后一个线性层特征空间中给定查询的成对余弦相似度对图像进行排名；第 2 阶段：重新排名，我们通过使用 EMD 计算图像对的patch相似度，对第 1 阶段的前 k 个候选者进行重新排名。
【论文总结】DeepEMD:Few-Shot Image Classification with Differentiable Earth Mover’s Distance（附翻译）
小张好难瘦的博客
11-10 3134
论文地址：https://arxiv.org/abs/2003.06777 代码地址：https://github.com/icoz69/DeepEMD 摘要 In this paper, we address the few-shot classification task from a new perspective of optimal matching between image regions. We adopt the Earth Mover’s Distance (EMD) as a me
笔记本电脑摄像头的MATLAB人脸识别技术
人脸识别是计算机视觉领域的一个重要应用，它是通过计算机技术对人脸进行识别和验证的一门技术。人脸识别技术的典型应用包括安全监控、智能门禁、人机交互等。 ### 笔记本电脑摄像头使用 笔记本电脑通常内置摄像头...
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

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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