人脸识别 -- AMSoftmax : Additive Margin Softmax for Face Verification

最新推荐文章于 2024-08-18 17:05:40 发布
原创 最新推荐文章于 2024-08-18 17:05:40 发布 · 1.9k 阅读 · 2 ·
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：

#人脸识别 #人脸验证

本文介绍了AMSoftmax损失函数在人脸识别和验证中的应用，对比了Softmax和A-Softmax，提出将乘法改为加法以增加类间距离。实验显示在不同数据集上，特征归一化的效果因数据质量而异。

Additive Margin Softmax for Face Verification

论文地址：点击打开链接

源码地址：点击打开链接

1. Softmax loss


其中f为最后全连接层的输入（fi表示第i个样本），wj为全连接层的第j列。

2. A-Softmax loss 



3. AMSoftmax loss

本文提出的方法将cos(mθ)更改为cos

最低0.47元/天 解锁文章
Softmax 函数：深度学习中的概率大师
Dfreedom.的博客
11-06 924
本文深入解析了Softmax函数在深度学习多分类任务中的关键作用。通过将神经网络的原始输出(logits)转换为合法的概率分布，Softmax满足了非负性和归一性两大要求，使结果具有明确概率解释。文章详细拆解了Softmax的数学原理和计算过程，阐述了其与交叉熵损失函数的完美配合优势，并分析了指数函数的放大效应特性。同时指出Softmax的局限性（如类别互斥假设）及替代方案（如温度Softmax）。最后给出实用建议：Softmax适用于单标签互斥分类任务，但不适合多标签或类别极多的情况。全文通过具体示例和代
【人脸识别系列】从知名DeepFace人脸识别库入手详解人脸识别---第四部分DeepFace库使用介绍之人脸识别模型介绍
今晚打老虎的专栏
01-26 1884
此处人脸识别模型，指对两张不同的人脸图片进行特征提取，生成对应图片的特征，两者通过计算生成一个相似度值，这个值的指定阈值内，即确定为同一个人，否则为不同的人。在DeepFace库中，提供了多个领先的人脸识别模型，包括：VGG-Face、FaceNet、OpenFace、DeepFace（此处为一个模型）、DeepID、Dlib、ArcFace、SFace等，本文将对各类模型进行介绍，以方便读者对DeepFace人脸识别库有更加深刻的认识。
【论文阅读】AM-Softmax：Additive Margin Softmax for Face Verification. 1801.05599.【损失函数设计】
py今天刷题了吗
01-21 4170
文章目录1. 四个问题2. 论文简介1. Introduction2. Preliminaries3. Additive Margin Softmax3. 参考链接 1. 四个问题 解决什么问题 提升人脸分类准确度 用了什么方法解决 提出了一种新的损失函数。AM-Softmax loss 目的是进一步增大类间差异，缩小类内差异 效果如何 我们在LFW和Megaface数据集下的实验表明，我们的additive margin softmax loss始终比使用相同网络架构和训练数据集的当前最先进方
Additive Margin Softmax for Face Verification
12-22
additive margin softmax for face vertification人脸识别
AM-Softmax
cdknight_happy的专栏
03-05 1986
论文：Additive Margin Softmax for Face Verification 0 摘要 AM-Softmax，additive margin softmax。 人脸识别任务是一个度量学习任务，目的是使学习到的特征具有类内高度聚合、类间尽可能分离的特性。前面L-softmax和Sphereface中都通过乘积的方式解释了人脸识别中的角度间隔。本文作者提出了为softmax los...
论文阅读笔记：AM-Softmax: Additive Margin Softmax for Face Verification
ProYH
07-25 4173
论文阅读笔记：AM-Softmax: Additive Margin Softmax for Face Verification Tags：Deep_Learning_基础论文 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：AM-Softmax: Additive Margin Softmax for Face Verification 主...
【论文笔记】Additive Margin Softmax for Face Verification
shaoxiaohu的专栏
01-28 9726
之前的L-Softmax, A-Softmax引入了角间距的概念，用于改进传统的softmax loss函数，使得人脸特征具有更大的类间距和更小的类内距。作者在这些方法的启发下，提出了一种更直观和更易解释的additive margin Softmax (AM-Softmax)。
【百度论文复现赛】ArcFace: Additive Angular Margin Loss for Deep Face Recognition
DeepHao'Blog
06-16 2929
文章目录摘要IntroductionProposed ApproachArcFaceSphereFace与CosFace的比较与其它损失函数比较 ArcFace: Additive Angular Margin Loss for Deep Face Recognition 摘要 使用Deep Convolutional Neural Networks进行大规模人脸识别的特征学习的主要挑战之一是设计适当的损失函数来增强鉴别能力。Centre loss通过惩罚深层特征和它们对应类中心之间的欧氏距离，以实现类内紧
人脸识别（三）：2017 Additive Margin Softmax for Face Verification
goodluckcwl的专栏
03-08 4306
本篇是人脸识别的第三篇文章： 人脸识别第一篇：Center Loss 人脸识别第二篇：SphereFace 人脸识别第三篇：CosFace 人脸识别第四篇：ArcFace 人脸识别第五篇：CCL 方法 这篇是对sphereface的改进之一，具体的方法是把角度裕量从cos(mθ)改进为cos(θ)+mcos(mθ)改进为cos(θ)+mcos(m\theta) 改进为 cos(\th...
AMSoftmax
唧唧复歪歪
03-23 906
首先，不同于Softmax，AMSoftmax属于Metric Learning——缩小类内距增大类间距的策略。下图2形象的解释了Softmax 和 AMSoftmax的区别，Softmax能做到的只能是划分类别间的界线——绿色虚线，而AMSoftmax可以缩小类内距增大类间距，将类的区间缩小到Target region范围，同时又会产生margin大小的类间距。 ...
AmSoftmax pytorch实现代码
05-29
AmSoftmax pytorch实现代码
pytorch-loss:标签平滑，amsoftmax，散焦，三重损失，lovasz-softmax。 也许有用
04-30
火炬损失 我实现的标签平滑，amsoftmax，焦点损耗，双焦点损耗，三重态损耗，giou损耗，亲和力损耗，pc_softmax_cross_entropy，ohem损耗（基于行硬挖掘损失的softmax），大利润- softmax（bmvc2019），lovasz-softmax-loss和dice-loss（广义的软骰子损失和批处理软骰子损失）。 也许这对我的未来工作很有用。 还尝试实现swish，hard-swish（hswish）和mish激活功能。 此外，添加了基于cuda的一键式功能（支持标签平滑）。 新添加一个“指数移动平均线（EMA）”运算符。 添加卷积运算，例如coord-conv2d和dynamic-conv2d（dy-conv2d）。 一些运算符是使用pytorch cuda扩展实现的，因此您需要先对其进行编译： $ python setup.py
探索Additive Margin Softmax：提升深度学习分类性能的新途径
gitblog_00057的博客
04-17 606
探索Additive Margin Softmax：提升深度学习分类性能的新途径 在深度学习领域，优化损失函数对于模型性能至关重要。最近，一个名为的项目引起了广泛关注，它为我们提供了一种新的方式来改进传统的softmax损失函数，从而提高模型在多类分类任务中的表现。本文将探讨该项目的核心思想、技术实现、应用场景及特点，帮助更多的开发者了解并运用这项技术。 项目简介 Additive Margin ...
softmax层_AM-Softmax
weixin_39707941的博客
12-18 1101
回顾一下Angular Softmax ( A-softmax ) ，它是以乘法的方式合并angular margin(角度间隔)从上式中的 可以看出，m乘以目标角 。所以这种类型的损失函数称为：乘性Margin Softmax本文讲述的AM-Softmax提出了一种更具解释性的方法：将angular margin(角度间隔)引入到softmax loss中，提出一个新的margin。这个ma...
ICASSP 2019----Ensemble Additive Margin Softmax for Speaker Verification
Grace_yan的博客
06-20 653
Ya-Qi Yu; Nanjing University Lei Fan; Nanjing University Wu-Jun Li; Nanjing University https://ieeexplore.ieee.org/document/8683649 Ensemble Additive Margin Softmax for Speaker Verification 用于说话人验证的集成...
人脸识别之AM-Softmax
热门推荐
陶将的博客
06-14 1万+
论文：Additive Margin Softmax for Face Verification 在此篇论文中，作者提出了新的损失函数，AM_softmax。嗯，我们可以把AM-softmax看做是对A-softmax损失函数的改进，两者是很相似的，我刚写过A-softmax的博客，详情请点击这里。两者最大的不同之处在于：A-softmax是用margin m与相乘，而AM-softmax的ma...
AM-softmax 解释
qq_45330708的博客
06-14 587
AMSoftmax学习
最新发布
weixin_62456688的博客
08-18 516
比如说模型输出数据的维度是1*n,但是在此次训练中数据集的类别是m,为了模型输出的维度和输出数据的维度相匹配，我们利用了一个W矩阵，将输出的feat转为(1*m)维度。它的公式也就是由如下所示。我在这里理解最后全连接层训练的参数W权重矩阵其实就是每一类的中心向量的汇总，然后将输入的数据x映射到待分类的线性空间上(以中心向量作为基准向量)。之前的softmax loss得到的只是一个vector(基准)但是类间的距离却差别不是很大，而由下图中的左图我们可以看出类内的点variance比较大，分散比较零散。
评论 8
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