人脸识别Loss：Circle Loss

已于 2022-06-15 21:50:35 修改
阅读量510 收藏
点赞数
分类专栏： 计算机视觉/CV 文章标签： 深度学习 机器学习 pytorch
于 2022-06-15 21:46:31 首次发布
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/u013250861/article/details/125305368
版权
CircleLoss是旷视研究院提出的一种优化人脸识别效果的损失函数，它统一了分类学习和样本对学习的损失函数，并通过泛化提高特征的鉴别能力。CircleLoss在人脸识别、行人再识别等领域展现出优秀的性能，简化了优化目标并提供了明确的收敛方向。

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

人脸识别的关键是在最大化类内相似度的同时，最小化类间的相似度，如果以 [公式] 为类内相似度，以 [公式] 为类间相似度的话，那么人脸识别的目标可以简化为最小化[公式] 。

作者用[公式] 总结归纳了人脸识别的目标，这个看起来显然的目标在Circle Loss之前，分了两类。

一类是基于对的Loss，以Triplet为代表，Triplet的目标是 [公式] 。基于对的Loss在表现形式上和目标的形式很接近。

CircleLoss来源于旷视研究院《Circle Loss: A Unified Perspective of Pair Similarity Optimization》

论文链接地址：https://arxiv.org/abs/2002.10857

  • CircleLoss是从相似性优化的角度，正式统一了两种基本学习范式（分类学习和样本对学习）下的损失函数
  • 通过进一步泛化，CircleLoss获得了更灵活的优化途径及更明确的收敛目标，提高了所学特征的鉴别能力
  • CircleLoss在人脸识别、行人再识别、细粒度图像检索等数据集上取得了极具竞争力的表现

参考资料：
人脸识别Loss：Circle Loss

CircleLoss
小鹏AI
01-29 1955
什么是CircleLoss CircleLoss来源于旷视研究院《Circle Loss: A Unified Perspective of Pair Similarity Optimization》 论文链接地址：https://arxiv.org/abs/2002.10857 CircleLoss是从相似性优化的角度，正式统一了两种基本学习范式（分类学习和样本对学习）下的损失函数 通过进一步泛化，CircleLoss获得了更灵活的优化途径及更明确的收敛目标，提高了所学特征的鉴别能力 Circle
人脸属性分析：表情识别_（4）.表情识别技术基础
zhubeibei168的博客
03-09 889
表情识别技术是计算机视觉领域的一个重要研究方向，其主要目标是从人脸图像中自动检测和识别出人类的情感状态。该技术的流程包括人脸检测、面部关键点检测、特征提取和情感分类。常用的数据集有FER2013、CK+等，评估指标包括准确率、精确率、召回率和F1分数。表情识别技术已应用于心理健康评估、人机交互、智能监控等多个领域，并且在多模态融合、模型优化、个性化识别等方面有广阔的发展前景。通过不断的研究和优化，表情识别技术将在未来更加成熟和可靠。
Circle loss
qq_35632035的博客
01-30 6528
Circle loss 主要有以下亮点可以做相关的详细描述。 首先第一点circle loss是基于triplet loss，改进而来的一种新型的loss定义。它的改进点在于，原本triplet loss对于正负样本采用平均用力的方式进行优化。使得在模型收敛的时候，对于正负样本的区分力度不够。Circle loss 在正负样本对加入了一个权重，控制正负样本对各自的梯度贡献，最后就可以得到一个更有区分力度的模型。 随后第二点，circle loss 在实现的过程中，同样借鉴了arc fac...
Circle Loss
dbdxwyl的博客
11-18 3249
1.三元组损失定义 F. Schroff, D. Kalenichenko, and J. Philbin. FaceNet: A Unified Embedding for Face Recognition and Clustering. In CVPR, 2015. 其中xa指anchor样本，xp为anchor的正样本，xn为anchor的负样本，α为正常数。 困难（N<P）,一般（P>N && Loss>0）,简单（P>N &&.
人脸识别：coco loss-Rethinking Feature Discrimination and Polymerization for Large-scale Recognition
迷途中一个小书童
11-13 2551
nips的一篇做分类和识别的工作，其中在人脸识别任务上也做了实验，Rethinking Feature Discrimination and Polymerization for Large-scale Recognition.Yu Liu, Hongyang Li, XiaogangWang。提出了一个新的损失函数：congenerous cosine，本质上就是一个cosine距离版本的t
CVPR 2020 Oral | 旷视研究院提出Circle Loss，革新深度特征学习范式
旷视开发者技术社区
03-26 947
IEEE国际计算机视觉与模式识别会议 CVPR 2020 (IEEE Conference on Computer Vision and Pattern...
Circle Loss: A Unified Perspective of Pair Similarity Optimization 圆损失函数，统一优化视角，革新深度特征学习范式 CVPR 2020
u013602059的专栏
03-30 6771
论文来源：CVPR 2020 论文链接 最近旷视做了一项非常fundamental的工作。简单来讲，原来特征学习有 2 种基本范式，分类学习和 pairwise 学习，人们普遍都觉得这两者虽然有联系，但是总体上仍是割裂的。旷视在这项工作中首次将两者放在一个统一的框架下，用一个general 的公式定义了这两种范式，且在这统一的公式下，获得了比两者各自最高水平方法都要好的性能。这项工作已经发表在C...
【深度学习与人脸识别】：揭秘如何让AI准确无误地识别面孔
深度学习，作为一种模仿人脑工作方式的机器学习算法，它通过多层非线性变换对高维数据进行学习和特征提取，已成为推动人脸识别技术飞速发展的关键技术。 人脸识别作为一种非接触式的生物识别技
人脸属性分析：性别识别_（6）.性别识别在不同应用场景中的挑战与解决方案
最新发布
zhubeibei168的博客
03-12 672
性别识别技术在不同的应用场景中面临着多种挑战，包括光照条件、姿势变化、遮挡、年龄变化和种族多样性等。通过数据增强、环境光校正、三维重建、特征融合、年龄归一化、数据平衡和多样性增强等技术，可以有效提高模型在这些挑战下的性能。开发者在实际项目中应根据具体需求选择合适的解决方案，以确保性别识别技术的准确性和鲁棒性。
【深度学习基础与人脸识别】人脸检测技术：介绍MTCNN算法及其在检测中的应用
随着人工智能技术的飞速发展，深度学习已经成为推动人脸识别技术突破的核心力量。人脸识别作为生物识别领域中最具代表性的应用之一，广泛应用于安防、支付、手机解锁等众多场景。本章将介绍深度学习的基础理论，并对...
Circle-Loss:Tensorflow2实现CircleLoss。支持类级，稀疏类级，成对标签
03-21
tf2环损工具 的非官方Tensorflow2实现 本文的解释记录在 添加论文 本文的解释记录在 支持班级标签 支持稀疏的类级别标签 支持成对标签 经过实验验证 用法 from circle_loss import SparseCircleLoss , CircleLoss , PairCircleLoss # General usage model . compile ( loss = CircleLoss ( gamma = 64 , margin = 0.25 ), optimizer = k . optimizers . Adam (), metrics = [ k . metrics . CategoricalAccuracy ( 'acc' )]) # For Sparse Categorical such as face recogniti
人脸识别loss
myh12138的博客
05-26 286
loss的变化 Y = wx + b softmax loss 使得该类的样本更多地落入到该类的决策边界之内。 而这种方式主要考虑样本是否能正确分类，缺乏类内和类间距离的约束。 Center Loss Center Loss的整体思想是希望一个batch中的每个样本的feature离feature 的中心的距离的平方和要越小越好，也就是类内距离要越小越好。作者提出，最终的损失函数包含softmax loss和center loss，用参数λ来控制二者的比重。 Center Loss的出现，使得人脸识
【ReID】Circle Loss: A Unified Perspective of Pair Similarity Optimization
锥栗的博客
05-07 1225
Circle Loss: A Unified Perspective of Pair Similarity Optimization痛点模型1）统一Triplet和softmax的损失函数2）退化为Softmax loss3）退化为Triplet Loss4）对比Triplet/Softmax loss的梯度5）Circle Loss6）削减超参数7）对比Circle Loss的梯度实验写作问题参......
人脸识别的LOSS（上）
MrCharles在优快云
04-26 1468
超多分类的Softmax 2014年CVPR两篇超多分类的人脸识别论文：DeepFace和DeepID Taigman Y, Yang M, Ranzato M A, et al. Deepface: Closing the gap to human-level performance in face verification [C]// CVPR, 2014. DeepF
近来人脸识别的 loss
weixin_NineDays66
05-17 1993
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...
circle loss
qq_42316533的博客
10-16 1923
circle loss@学习笔记 #前两天看了circle loss这篇文章，在此做个笔记 circle loss论文下载地址 triplet loss、softmax loss最大化类内相似度Sn、最小化类间相似度Sp。这篇文章首先对两种基本的深度特征学习（类别标签学习和样本对标签学习）有统一的范式。 首先做个预定义：对于特征空间中的单个样本x，假设存在与x相关的K个类内相似度评分和L个类间相似度评分。将这些相似度评分分别表示为{sip}(i = 1,2，···，K)和{sjn}(j = 1,2，···，
【深度学习】人脸识别的Loss
聊北辰同学的博客
07-16 1011
人脸识别 4个关键步骤 人脸检测 人脸对齐 人脸编码，特征提取 人脸匹配 这里重点关注特征提取部分，为得到更优的特征而设计的不同的损失函数！ 何为更好的特征？损失函数又是如何影响模型输出的特征的呢？ Softmax 这一切就先从耳熟能详的softmax说起。 分类模型可以看作表征模型和分类器组成，表征模型输出特征向量，分类器基于输入的特征完成特征到类别的映射。但是类别较多的情况下，我们通常不这么做，特征提取+相似度匹配作为一种更加高效的方法被广泛使用，人脸识别就是其中一个典型的例子。 下面进入正题，开始
人脸识别的loss总结
qq_40429303的博客
06-16 989
移步到：https://blog.youkuaiyun.com/Wuzebiao2016/article/details/81839452
人脸识别-Crystal loss
weixin_NineDays66
11-28 724
简介 the Crystal loss gains a significant improvement in the performance. It achieves new state-of-the-art results on IJB-A, IJB-B, IJB-C and LFW datasets, and competitive results on YouTube Face datas...
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