瞎BB的博客

论文地址https://openaccess.thecvf.com/content_CVPR_2020/papers/Shi_Towards_Universal_Representation_Learning_for_Deep_Face_Recognition_CVPR_2020_paper.pdf摘要：提出了一种通用学习框架，可处理给定训练数据中看不到的较大变化，而无需利用目标领域知识。首先综合训练数据和一些语义上有意义的变化，如低分辨率，遮挡和头部姿势。由于直接将这些新增的数据送入训练框架.

论文地址：https://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123560715.pdf解决问题：以前的方法容易受到大量噪声label训练数据的影响，这需要人工清洗这些数据。本文放宽了ArcFace类内的约束，提高了对标签噪声的鲁棒性。做法：为每个类设计K个子中心，训练样本只需要接近K个正的子中心，而不是只接近一个正的子中心。这鼓励一个包含大多数干净面孔的主导子类和多个包含hard面孔或噪声面孔的非主导子类。大量实验验证了该方法在

论文题目：The Elements of End-to-end Deep Face Recognition: A Survey of Recent Advances论文链接：https://arxiv.org/pdf/2009.13290.pdf摘要：关于人脸识别的最新进展综述，从三个方面详细介绍了整个识别系统各个模块：人脸检测、人脸图像预处理、人脸表示。阐述每一块技术的最新进展，包括最新算法设计、评价标准、数据集、性能比较、存在的挑战和前景广阔的研究进展。 人脸检测(在图像中框.

论文链接：http://www.robots.ox.ac.uk/~vgg/publications/2015/Parkhi15/parkhi15.pdf两个目标： 制作大量的人脸识别数据集（超过2百万），只需要极少数人力 探索用于人脸识别和验证的不同网络结构，包括探索人脸对齐，度量学习，使用新的数据集训练。结果是，得到了一个更简单和高效的网络，并收获了接近SOTA结果。 数据集搜集：自动化+人工组合->制作数据集网络训练： 先作为一个分类任务，训练。然后分类层移.