一只鱿鱼圈

目录架构CSRI方法将VDSR作为SR部分的架构，CenterFace作为FR部分的架构损失函数：

本文的主要贡献有：1. 对state-of-the-art的非常低分辨率（`VLR`）的人脸识别方法的效率和有效性分析。2. 从应用的角度，深入研究现有方法对低分辨率人脸识别问题的优势和局限性。3. 对现代轻量级架构进行概述，并比较它们在非常低分辨率（`VLR`）的人脸数据集上的性能。4. 为未来的研究方向提供见解。

这篇文章是关于`Face Re-ID`的，也就是在无约束监控人脸图像中，在空间和时间下对人身份进行追踪的问题。为了促进Face Re-ID的发展，这篇文章提出了一个大规模的监控下Face Re-ID标准数据集——SurvFace。除此之外，通过实验验证我们发现，SotA的人脸识别算法在`face Re-ID`上性能较差，且在实际情况中常见的`open-set`问题将导致`Face Re-ID`问题的研究更加困难。

在读论文时发现对于一些多任务学习，作者往往会在损失项中加上auxiliary loss（辅助损失），对此，阅读了相关资料后做出总结如下：首先，作为知识先验，我们要知道所谓多任务学习（Multi-Task Learning）就是通过在相关任务间共享表示信息，使得模型在原始任务上泛化性能更好。也就是说，一旦发现我们的目标是优化多于一个的目标函数，就可以通过多任务学习来有效求解；但即使对于优化目标只有一个的特殊的情况，辅助任务仍然有可能帮助我们改善主任务的学习性能。多任务学习具有两种学习模式：隐层参数的硬共享

这篇文章对现有的人脸修复及人脸验证方法进行了综述，旨在了解人脸重建方法对人脸验证的作用。本文提出了一个定量及定性的benchmark，并在真实监控图像的背景下将其应用于8种人脸修复方法及6种人脸验证方法，对观察到的优劣进行了概述。实验表明，每种修复方法对人脸验证方法的影响不同，只有不到一半的人脸修复方法对人脸验证有用。此外，一些定性评价.

目录Abstract1. Introduction2. Motivation3. Related works4. Datasets5. Approach6. Experimental results7. ConclusionAbstract目前的人脸识别问题在跨分辨率的人脸匹配识别（即LR-HR）上仍知之甚少，因此本文有以下四点贡献：提出了一个训练程序去fine-tune一个state-of-art模型，使其可以提取分辨率鲁棒的深层特征（resolution-robust）使用高分辨率数据集（I.

目录摘要一、介绍二、相关工作2.1 人脸识别2.2 人脸规范化三、特征自适应网络3.1 框架概述3.2 特征解离学习3.3 成对及不成对特征适应性四、实验4.1 实现细节4.2 消融分析4.3 与SOTA方法比较五、结论摘要本文提出了一种特征自适应网络（FAN）以实现监控人脸识别与人脸规范化（face normalization）。其中人脸规范化主要用于图像超分。然而现有的人脸超分方法往往需要pixel-to-pixel的成对训练数据，但这在实际情况系往往是找不到的。文本所提出的FAN可以利用成对及.

摘要本文提出了一个双码流互信息蒸馏网络（MIND-Net），该网络提取了在真实和合成LR人脸上共存的以通用人脸特征为特征的非身份特定的互信息（MI），将其蒸馏以为LRFR提供分辨率不变的嵌入空间。采用正则化MI index以量化MI的蒸馏程度。一、介绍已有的用HR训练得到的人脸识别模型不适用于实际的LR图像，原因在于实际的LR图像具有intra-class variations（运动模糊，光照，姿势，遮挡等）。一种简单的方法是根据实际的LR图像对预训练的模型进行fine-tune，但由于LR标记人.

摘要这篇文章主要阐述了适用于监控设备的轻量级人脸识别模型。在轻量级模型的基础上，本文还研究了使用HR下采样混合数据，以及不同模型的组合对LR图像人脸识别的影响。最终得出结论：本文提出的轻量级模型在LR图像超分上得到了最先进的结果，并且将使用不同退化程度的HR图像训练出来的模型相混合，得到的混合模型提高了低分辨率监视图像的识别精度。一、介绍...

目录摘要一、介绍摘要现有的知识蒸馏方法都是手工的启发式方法，这些方法旨在预先定义好目标学生网络，由于需要花费大量精力去找到一个合适的学生网络，这样的做法可能会导致出现次优解。因此，这篇文章提出了一种教师网络指导的神经网络搜索方法，可以直接通过通道数和层数对学生网络进行搜索。通俗的来说就是将搜索空间定义成通道数/层数（通过概率分布进行采样），然后将loss最小化进行学习。最终将每个分布中概率最大的值作为学生网络的深度和宽度。一、介绍这里作者列举了现有的一些方法，比较特别的有：Wang团队20.

同样是看了PULSE那篇论文后的一点思考，这里做一个记录。PULSE一文中提到的隐空间搜索问题：令生成器为GGG，隐空间为LLL，找到隐向量z满足：∣∣DS(G(z))−ILR∣∣pp≤ϵ||DS(G(z))-I_{LR}||_p^p\leq \epsilon∣∣DS(G(z))−ILR​∣∣pp​≤ϵ由于高维高斯的大部分质量位于半径为d的球面附近，为了解决这个问题，文章采用正态分布的先验取代了高斯分布的先验。我们令L′=dSd−1L'=\sqrt{d}S^{d-1}L′=d​Sd−1，其中Sd−

此前学习PULSE（见论文学习笔记5）一文时发现其提出的一个思想：使用一个带有隐式空间的生成模型来近似自然图像流形空间M虽然上学期学过GAN，但其实隐式空间这个术语对我来说还是稍显陌生。论文上说这些方法（eg：VAE,GANs）会通过可微分的隐式结点生成图片，并通过降维loss指导搜寻。、这里我发现好像隐式结点的含义就是基于之前学过的带隐变量的模型，再结合《神经网络与深度学习》一书中13章的解释，我终于理解了这个概念，故总结重点如下：1....

目录一、摘要一、摘要主要思想：区别于现有方法中大多在LR图像上一点点增加细节，PULSE（Photo Upsampling via Latent Space Exploration）遍历HR自然图像的流形空间，找到下采样后为原始LR图像的HR自然图像。...

之前没有在非root的linux服务器上装过本地的环境，所以在有权限的情况下用sudo可以很快的完成配置。这次在非root服务器上安装时出现了很多意想不到的问题，特此记录一下：目录1. 非root用户安装cuda时的路径配置：2. CUDA的环境变量配置3. nvidia-smi驱动mismatch问题1. 非root用户安装cuda时的路径配置：注意！！！添加环境变量那一步不要按连接中的操作进行！正确解决方法看下面的内容参考下面链接中的博主的方法，每一步看仔细就能成功配置https://blo

一、摘要这篇文章讨论了open-set（测试图片并没有在训练集中出现过）下的深度面部识别（FR） 问题，其中，我们假定在选择向量空间中，理想面部特征的最大类内距离要小于最小类间距离。为了有效达到上述标准，因此这篇文章提出了A-Softmax损失，使得CNN可以学习角度判别特征。二、介绍研究背景：人脸识别的发展...

目录一、 摘要二、 简介三、 相关工作四、 提出的方法五、 实验验证六、 总结一、 摘要文章提出了一种新的损失——身份保留损失(identity-preserved loss)，并将其与图片内容损失(image-content loss)结合从而监督学习CNN网络，以达到同时实现面部超分辨率及面部识别的目的。二、 简介研究背景：现有的基于CNN的人脸识别算法已经可以在LFW数据集上得到极高的识别率，但在现实环境下由于捕捉到的人脸往往分辨率较低、图像质量较差，识别率将大幅降低。因此我们将这种将H.

多维缩放：1） S. Biswas, K. W. Bowyer, and P. J. Flynn, “Multidimen-sional scaling for matching low-resolution face images,”IEEE Transactions on Pattern Analysis and MachineIntelligence, vol. 34, no. 10, pp. 2019–2030, Oct 2012.2） M. Saad Shakeel and Kin-Man-.