shaoxiaohu的专栏

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)。

GAN在生成高保真度的变换图方面具有其它方法所没有的优势。在这篇文章里，作者通过集成的损失函数来正则化最小最大过程，从而完成GAN模型的训练。这个集成的损失函数不仅包括像素级loss，而且包括既能提高生成图片质量又能保留身份信息的感知loss。

.VGGFace2 是一个大规模人脸识别数据，包含331万图片，9131个ID，平均图片个数为362.6。

这篇paper提出Angular-Softmax（A-Softmax）去学习判别特征，它在超球面流形上强加了一个判别约束，而这个超球面流形本质上与人脸的先验知识位于同一个流形上。

【1】Huang R, Zhang S, Li T, et al. Beyond Face Rotation: Global and Local Perception GAN for Photorealistic and Identity Preserving Frontal View Synthesis[J]. arXiv preprint arXiv:1704.04086, 2017.TP-GA

参考文献： Liu W, Wen Y, Yu Z, et al. Large-Margin Softmax Loss for Convolutional Neural Networks[C]//Proceedings of The 33rd International Conference on Machine Learning. 2016: 507-516.摘要Softmax Loss 函数经

【1】Held, D., Thrun, S., & Savarese, S. (2016). Learning to Track at 100 FPS with Deep Regression Networks. arXiv preprint arXiv:1604.01802.这篇文章提出了一种基于深度学习的目标跟踪算法，有以下几个特点： 1）快，100fps，比之前大多数采用深度学习的跟踪

卷积神经网络（CNN）已经被证明能够训练一个能力强大的分类模型，但与传统的模式识别方法类似，它也会受到数据在空间上多样性的影响。这篇Paper提出了一种叫做空间变换网络（Spatial Transform Networks， STN）,该网络不需要关键点的标定，能够根据分类或者其它任务自适应地将数据进行空间变换和对齐（包括平移、缩放、旋转以及其它几何变换等）。

【1】Kemelmacher-Shlizerman I, Seitz S M. Collection flow[C]//Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on. IEEE, 2012: 1792-1799.计算一对人脸图像(I,J)(I, J)之间的光流，容易受到光照、姿态以及其它变化的影响。作者

【1】Shi B, Wang X, Lv P, et al. Robust Scene Text Recognition with Automatic Rectification[J]. arXiv preprint arXiv:1603.03915, 2016. 上图即为本篇论文的系统框架：包括 Spatial Transformer Network (STN ) 以及 Sequence Reco

最近在研究一个新课题-Text Detection，正在读论文中。。。201604261、Zhang Z, Zhang C, Shen W, et al. Multi-Oriented Text Detection with Fully Convolutional Networks[J]. arXiv preprint arXiv:1604.04018, 2016.这篇文章将局部和全局信息结合，使用

20160331 1、Zhang Z, Luo P, Loy C C, et al. Learning deep representation for face alignment with auxiliary attributes[J]. 2015.在论文“Facial landmark detection by deep multi-task learning”上的改进（见http://blo

参考文献： Zhang J, Kan M, Shan S, et al. Leveraging Datasets With Varying Annotations for Face Alignment via Deep Regression Network[C]//Proceedings of the IEEE International Conference on Computer Visio

201601161. Zhu X, Lei Z, Yan J, et al. High-Fidelity Pose and Expression Normalization for Face Recognition in the Wild[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition

201601151. Jourabloo A, Liu X. Pose-invariant 3d face alignment[C]//Proceedings of the IEEE International Conference on Computer Vision. 2015: 3694-3702.PIFA通过一个可变的人脸3D模型，在回归过程中引入更多的变量，如摄像头投影矩阵、3D关键点等，

简介CVPR 2014的一篇关于人脸关键点检测的论文，基于Ensemble of Regression Tress算法(以下简称 ESR)，速度极快（单人人脸关键点检测耗时约为1ms），效果也不错。同时又能处理训练集中部分关键点标定缺失的情况。

写在Paper Reading 之前2016年第一篇文章，就以paper reading开头，这段时间最少写五篇，达到申请专栏的条件。通过申请专栏，也可以达到监督作用，催促自己多看、多想、多写。【1】每周一篇CV论文阅读笔记，多则不限。 【2】理清文章思路，尽可能将流程解释清楚。 【3】阐述自己读后的思考。 【4】写清楚文献出处，便于之后写论文引用。由于自己理解不深，会时常犯错，这也是展示错误