Combined Margin loss人脸识别训练笔记

最新推荐文章于 2025-06-10 16:58:06 发布
最新推荐文章于 2025-06-10 16:58:06 发布
阅读量2.6k 收藏 2
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 计算机视觉 - 图像处理 人工智能 - 图像识别
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/rainforestgreen/article/details/85232197
本文记录了使用Combined Margin Loss在caffe中训练人脸识别模型的过程，包括基于res36-E和SE-resXt50-E网络的训练经验。在SE-resXt50-E网络训练中遇到了梯度爆炸和局部极值点的问题，分析了可能的原因并提出了调整策略。通过预训练模型进行finetuning能有效提高训练效果。

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

    利用caffe第三方实现的combined margin_layer进行训练（https://github.com/gehaocool/CombinedMargin-caffe），数据集采用VGGFace2，经过筛选以后共有8631个人的244W+的人脸图片。

    训练过程中出现了一下问题，这里进行记录。

一、利用开源项目中的res36-E网络进行训练

    训练过程比较顺利，虽然为了尽快训练完，将epoch进行了精简，但是最终的loss也下降到2左右，和项目给出的loss基本相同，训练过程中分类的精度也稳定在0.7-0.8之间。

    下图为训练过程中的loss和accuracy的曲线，横坐标的单位需要再乘以50（log文件中50次迭代输出一次log）。

I1222 12:24:23.999287  2126 solver.cpp:228] Iteration 277750, loss = 2.11202
I1222 12:24:23.999418  2126 solver.cpp:244]     Train net output #0: accuracy = 0.734375
I1222 12:24:23.999433  2126 solver.cpp:244]     Train net output #1: softmax_loss = 1.72783 (* 1 = 1.72783 loss)
I1222 12:24:23.999442  2126 sgd_solver.cpp:106] Iteration 277750, lr = 1e-05
I1222 12:25:15.731434  2126 solver.cpp:228] Iteration 277800, loss = 1.79811
I1222 12:25:15.731550  2126 solver.cpp:244]     Train net output #0: accuracy = 0.78125
I1222 12:25:15.731564  2126 solver.cpp:244]     Train net output #1: softmax_loss = 1.98719 (* 1 = 1.98719 loss)
I1222 12:25:15.731572  2126 sgd_solver.cpp:106] Iteration 277800, lr = 1e-05
I1222 12:26:07.457556  2126 solver.cpp:228] Iteration 277850, loss = 2.63742
I1222 12:26:07.457665  2126 solver.cpp:244]     Train net output #0: accuracy = 0.65625
I1222 12:26:07.457679  2126 solver.cpp:244]     Train net output #1: softmax_loss = 2.20569 (* 1 = 2.20569 loss)
I1222 12:26:07.457686  2126 sgd_solver.cpp:106] Iteration 277850, lr = 1e-05
I1222 12:26:59.228655  2126 solver.cpp:228] Iteration 277900, loss = 1.94271
I1222 12:26:59.228780  2126 solver.cpp
最低0.47元/天 解锁文章

200万优质内容无限畅学
人脸识别：基于深度学习的人脸识别_（9）.模型训练与优化
zhubeibei168的博客
03-05 779
通过上述步骤，我们详细介绍了如何训练和优化基于深度学习的人脸识别模型，包括数据准备、模型选择、训练过程、损失函数、优化技巧以及模型评估。通过这些方法，可以有效地提高模型的性能，确保其在不同场景下的鲁棒性和准确性。希望这些内容对您在人脸识别领域的研究和开发有所帮助。
人脸识别：跨年龄人脸识别_（11）.未来发展趋势与挑战
zhubeibei168的博客
03-07 575
跨年龄人脸识别技术的发展前景广阔，但同时也伴随着技术、应用和伦理层面的多重挑战。通过不断优化技术、拓展应用场景和加强伦理规范，我们可以更好地利用这项技术，为社会带来更多的便利和安全。未来的研究和实践需要在这些方面持续努力，确保技术的可持续发展和广泛应用。
（Caffe人脸识别）CosineFace、ArcFace、MobileFaceNet、Combined Margin loss的原理以及在caffe中的层实现
rainforestgreen的博客
12-24 7341
    对于CosineFace、MobileFaceNet、ArcFace、Combined Margin loss这四种损失函数，都是为了提高人脸识别的分类效果，在原有softmax loss进行改进的。     在这几个改进之前，最早的是基于W-Norm的SphereFace（cosmθ），以及基于W-Norm和F-Norm的SphereFace（scosmθ），这里不对这两种做介绍，直接...
Loss Margin的原理与推导
最新发布
糖葫芦君的博客
06-10 827
接下来同样通过smooth技巧，将损失函数转化为：其中m越大，就会强行要求目标样本与非目标样本分数拉开更大的差距。
人脸识别损失：优化Margin
小花生的博客
05-07 1182
不同margin的对比 目前人脸识别算法以large margin为主，这里提出并讨论两个问题： 问题一：large margin为什么能work？ L-Softmax重构了Softmax，输出x变成W⋅f=∣W∣⋅∣f∣⋅cos(θ)W\cdot f=|W|\cdot |f|\cdot cos(\theta )W⋅f=∣W∣⋅∣f∣⋅cos(θ)，SphereFace归一化权值W，变成W⋅f=...
ArcFace: Additive Angular Margin Loss for Deep Face Recognition
12-03
One of the main challenges in feature learning using Deep Convolutional Neural Networks (DCNNs) for large- scale face recognition is the design of appropriate loss func- tions that enhance discriminative power. Centre loss pe- nalises the distance between the deep features and their cor- responding class centres in the Euclidean space to achieve intra-class compactness. SphereFace assumes that the lin- ear transformation matrix in the last fully connected layer can be used as a representation of the class centres in an angular space and penalises the angles between the deep features and their corresponding weights in a multiplicative way.
垂直margin 合并
我仅仅是一个Coder
02-08 1158
http://www.w3.org/TR/CSS21/box.html#collapsing-margins 一看就知道！ 8.3.1 Collapsing margins In CSS, the adjoining margins of two or more boxes (which might or might not be siblings) can combine to fo
InsightFace： 用OneFlow轻松实现超大规模人脸识别模型
OneFlow深度学习框架
03-03 1276
InsightFace： 用OneFlow轻松实现超大规模人脸识别模型 概述 人脸识别技术可以准确识别出图像中的人脸和身份，具有丰富的应用场景，譬如金融场景下的刷脸支付、安防场景下的罪犯识别和医学场景下的新冠流行病学调查等等。人脸识别的算法演变经历了以 PCA 为代表的早期阶段，再到以“人工特征+分类器”为主的统计学习方法阶段，近几年，随着大数据及 GPU 算力的爆发，人脸识别进入到深度学习算法为绝对主角的阶段。 人脸识别的规模也从最初基于几百张图片、识别数十张人脸，到现在动辄识别上百万甚至亿级别的人脸，
insightface 人脸识别模型训练 RecordIO数据格式
q742971636的博客
10-25 795
人脸识别模型如何训练
ResXt网络实现
chumingqian的博客
03-28 320
即在 bottle Neck 　模块的基础上，　实现了每个模块的多分支的并行结构； 2.2 网络结构 2. 自主构建的网络 主要的结构，是前期使用了inverted_residual 结构， 目的是为了不让各个通道之间的信息，交流。 保持原始的通道信息， 这样一直到ResXt的网络结构时，　才开始通道交融；该网络，由于采用了多分支并行的结构，导致了该网络不能够搭建的很深 在( 2, 9, 576, 600)　的情况下，占用了20G的显存，　100G的　内存；
loss函数之margin改进方法
Iriving_shu的博客
01-27 4761
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
近来人脸识别的 loss
weixin_NineDays66
05-17 1996
最近（2017/2018）人脸识别的相关论文人脸识别的Loss函数改进的论文比较多, 如:[2017] L2-constrained Softmax Loss for Discriminative Face Verification[2017 ACM MM] NormFace_ L2 Hypersphere Embedding for Face Verification[2017 CVPR] Sp...
Hinge Loss
FinnTheHuman的博客
03-28 1021
Hinge Loss简介 Hinge Loss是一种目标函数（或者说损失函数）的名称，有的时候又叫做max-margin objective。其最著名的应用是作为SVM的目标函数。 其二分类情况下，公式如下：  l(y)=max(0,1−t⋅y) 其中，y是预测值（-1到1之间），t为目标值（±1）。 其含义为，y的值在-1到1之间就可以了，并不鼓励|y|
CosFace中的cos loss（Large Margin Cosine Loss）实现（tensorflow）
MachineLP的专栏
04-15 1万+
你要的答案或许都在这里：小鹏的博客目录paper：CosFace: Large Margin Cosine Loss（MLCL） for Deep Face Recognition下载地址： https://arxiv.org/pdf/1801.09414.pdf论文中的cos loss：cos loss 的 TF 实现：def py_func(func, inp, Tout, stateful ...
【Caffe实践】基于Caffe的人脸识别实现
热门推荐
1983的专栏
11-01 7万+
导言深度学习深似海、尤其是在图像人脸识别领域，最近几年的顶会和顶刊常常会出现没有太多的理论创新的文章，但是效果摆在那边。DeepID是深度学习方法进行人脸识别中的一个简单，却高效的一个网络模型，其结构的特点可以概括为两句话：1、训练一个多个人脸的分类器，当训练好之后，就可以把待测试图像放入网络中进行提取特征，2对于提取到的特征，然后就是利用其它的比较方法进行度量。具体的论文可以参照我的一篇论文笔记：
损失函数总结（八）：MultiMarginLoss、MultiLabelMarginLoss
走在深度学习前沿的小宋
10-27 1265
本文对损失函数进行了部分总结，包括：MultiMarginLoss、MultiLabelMarginLoss等损失函数及其在当前损失函数众多的情况下使用的环境。
Phython人脸识别换装技术
01-21
### Python 人脸识别换装技术实现 #### 使用的技术栈和库 为了实现基于Python的人脸识别换装技术，主要依赖于以下几个重要的库和技术： - **dlib** 和 **OpenCV**: 这两个库用于检测面部特征点以及处理图像。`dlib` 提供了强大的机器学习工具来定位人脸的关键部位；而 `OpenCV` 则提供了丰富的计算机视觉算法支持[^2]。 - **face_recognition** : 基于 dlib 的高级接口，简化了人脸识别的过程，可以直接用来识别人物身份，并且能够轻松提取脸部特征向量以便后续操作[^1]. - **PIL (Pillow)** 或者 **scikit-image** ：这些图形处理库可以帮助调整服装图片大小、位置等属性使其适应目标人物的身体轮廓[^5]. #### 关键步骤概述 ##### 面部特征点检测 利用 `dlib.get_frontal_face_detector()` 函数可以快速找到视频流中的所有人脸区域。接着应用预训练好的形状预测器 (`shape_predictor_68_face_landmarks.dat`) 获取更精确的脸部标志位数据，这一步骤对于后期合成虚拟服饰至关重要: ```python detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor('path/to/shape_predictor_68_face_landmarks.dat') gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) rects = detector(gray, 0) for rect in rects: shape = predictor(gray, rect) face_shape = face_utils.shape_to_np(shape) ``` ##### 身体姿态估计与衣物匹配 虽然题目提到的是“换装”，但实际上涉及到人体的姿态分析才能更好地贴合衣服到人的身上。通常会借助深度学习框架如 TensorFlow 或 PyTorch 中的相关模型来进行多关节骨骼节点的捕捉。然而，在简单场景下也可以仅依靠已知固定角度正面照的情况下手动定义一些规则来决定衣服的位置和尺寸[^4]. ##### 图像融合 当获得了合适的衣服模板之后，就需要将其无缝地融入原始背景之中。此时可能需要用到蒙版遮罩(masking)，透明度混合(alpha blending)等技巧让新加入的对象看起来更加自然. ```python import numpy as np from PIL import Image def overlay_clothes(image_path, clothes_image_path): base_img = Image.open(image_path).convert("RGBA") overlay_img = Image.open(clothes_image_path).convert("RGBA") # Adjust size and position of the clothing image here... combined = Image.alpha_composite(base_img, overlay_img) return combined ```
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
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