Roaddd的博客

DDL：数据分布知识蒸馏思想，提升困难样本（遮挡、低分辨率等）识别效果

人脸识别算法RVFace详解

FROM：提升遮挡状态下的人脸识别效果

【人脸识别】CurricularFace：自适应课程学习人脸识别损失函数

Partial-FC：让你在一台机器上训练1000万个id人脸数据集成为可能！

VarGFaceNet：适用于人脸识别的轻量级网络模型

MobileFaceNet：用于人脸识别的轻量级网络模型

论文题目：《CosFace: Large Margin Cosine Loss for Deep Face Recognition》论文地址：https://arxiv.org/pdf/1801.09414.pdf

一个优于CosFace和ArcFace的人脸识别损失：MVface。MVFace可以自适应地重点关注误分类的特征向量，以此指导判别性特征学习。这也是首次将特征margin的优点和特征挖掘的优点集中在一个统一的损失函数里面。

Labeled Faces in the Wild官网：LFW1. 简介       LFW (Labeled Faces in the Wild) 人脸数据库是由美国马萨诸塞州立大学阿默斯特分校计算机视觉实验室整理完成的数据库，主要用来研究非受限情况下的人脸识别问题。LFW 数据库主要是从互联网上搜集图像，而不是实验室，一共含有13000 多张人脸图像，每张图像都被标识出对应的人的名字，其中有1680 人对应不只一张图像，即大约16

论文题目：《ArcFace Additive Angular Margin Loss for Deep Face Recognition 》论文地址：https://arxiv.org/pdf/1801.07698.pdf1. 前言这篇文章提出一种新的用于人脸识别的损失函数：additive angular margin loss，基于该损失函数训练得到人脸识别算法ArcFace（开源代码中为该算法取名为insightface，二者意思一样，接下来都用ArchFace代替）。ArcFace的思想（ad

论文题目：《A Discriminative Feature Learning Approachfor Deep Face Recognition》论文地址：http://ydwen.github.io/papers/WenECCV16.pdf

简介       VGGFace是基于VGGNet训练自己的数据集得到的人脸识别模型。主要有以下特点：● 构建最少的人为干预大规模人脸数据集。● 非端到端：先使用Softmax在VGGDataset上预训练，最终输出维度是2622维，即共有2622个人，每个人有固定张数的人脸图像。然后再使用Triplet Loss训练出1024维的人脸特征向量（度量学习，学习独特性和紧凑型）。即先分类，再fine-tuning学习映射层（必须先分类

论文题目：Bag-of-local-features Model for Multi-modal Face Anti-spoofing论文地址：FaceBagNet代码地址：https://github.com/SeuTao/CVPR19-Face-Anti-spoofing摘要       人脸反欺骗检测是人脸生物识别系统中的一个重要环节。最新的（SOTA）基于卷积神经网络(CNNs)的方法在该领域取得了良好的效果。然而，以前的

论文题目：：《》论文地址：1. 简介       VGGFace2是一个大规模人脸识别数据集，包含331万图片，9131个ID，平均图片个数为362.6。这个数据集有以下几个特点：1）人物ID较多，且每个ID包含的图片个数也较多。2）覆盖大范围的姿态、年龄和种族。3）尽可能地使噪声最少。       该数据集是从谷歌中下载的，包含不同姿态、年龄、光照和

论文题目：《L2-constrained Softmax Loss for Discriminative Face Verification》论文地址：https://arxiv.org/pdf/1703.09507.pdf1. 简介       CNN近年来取得了很大的成功，人脸识别也受益匪浅。人脸识别的一个基准包括一个序列网络和一个Softmax标准。在这篇论文中，作者分析了Softmax损失的一些劣势，然后提出一种基于约束条件

论文题目：《FaceNet: A Unified Embedding for Face Recognition and Clustering》论文地址：FaceNet1、概述       FaceNet（A Unified Embedding for Face Recognition and Clustering）直接把输入图像变成欧式空间中的特征向量，两个特征向量间的欧式距离就可以用来衡量两者之间的相似度。可以用在人脸验证、识别和

cosface和arcface等常用的人脸识别损失都是使用固定的margin。这样的学习目标对于具有不一致的类间和类内变化的真实数据是不现实的，这可能会限制人脸识别模型的判别性和泛化性。 ElasticFace提出弹性惩罚margin loss 来放松固定惩罚margin约束，该损失允许灵活地推动类可分离性。主要思想是在每次训练迭代中利用从正态分布中抽取的随机margin。这旨在为决策边界提供extract and retract的机会，以便为灵活的类可分离性学习留出空间。

论文提出的八元组损失只需要在现有的模型上进行微调就可以显着改进众多流行数据集上的跨分辨率和低分辨率人脸验证效果，同时在高分辨率图像上保持类似的性能。