syf的博客

提出了一种新的桥蒸馏方法来解决资源有限的低分辨率人脸识别任务。该方法的核心是高效的师生框架，该框架依赖于新的跨数据集蒸馏和分辨率自适应蒸馏算法。该算法首先调整教师模型以保留高分辨率细节的区分性，然后使用它们监督学生模型的训练。...

D2SC-GAN模型使用新型双通道生成器架构，通过使用多分辨率重建组件和基于KL散度的组件最小化新型生成器损失。

方法简介： （1）介绍了损失函数中自适应性的另一个方面，即图像质量。 （2）强调误分类样本的策略应根据其图像质量进行调整。 （3）提出了一种新的损失函数，该函数根据图像质量强调不同困难的样本。主要工作： （1）提出了一种损失函数AdaFace，该函数根据样本的图像质量对样本的不同困难赋予不同的重要性。通过结合图像质量，避免了强调无法识别的图像，而集中在难以识别的样本上。（2）表明角度边界根据训练样本的难度来缩放学习梯度。这一观察促使自适应地改变边界函数，以在图像质量较高时强调硬样本，而如果

现有问题：由于数据集中的人脸通常包含有限的变化程度和类型，因此训练的模型结果难以推广到真实环境中的无约束人脸数据集。虽然收集较大变化程度的已标记人脸可能会有所帮助，但由于隐私安全和计算成本的原因导致其不可行。相比之下，从不同域中获取大量未标记的人脸更容易，这可以用来规范人脸表示的学习。本文方法：使用未标记的人脸来学习可泛化的人脸表示方法，其中我们假设未标记图像既不能访问身份标签，也不能访问域标签。为了实现目标，本文提出以下问题：（1）通过引入辅助未标记数据更多的多样性，是否有可能提高模型对无约束人脸的泛化性

本文提出了一种改进的LR-FR模型快速训练知识蒸馏方案。我们保持教师模型的训练集不变，而只对学生模型的训练集添加LR增广。只有在学生模型的训练集中添加LR增广，才能增加教师和学生训练输入之间的分布差异，这种差异可以通过最小化MK-MMD损失函数来减少。 ......

该论文主要实现了高维深度特征回归和低分辨率人脸分类的结合，实现了深度网络和特征维的统一压缩，保证了非限制性场景识别准确率和速度

解读《On Low-Resolution Face Recognition in the Wild:Comparisons and New Techniques》论文中关于低分辨率人脸识别的一些技术比较和新方法