yiran103的专栏

FaceNet 是谷歌发表在 CVPR 2015上的一篇文章。先前基于人脸识别的方法，无论是 DeepID 系列[1][2][2+][3]还是 DeepFace 均采用分类的方式进行训练。尽管精度不断提升，处理过程却越来越趋向复杂。3D人脸对齐或模型融合都不便于训练的展开。与之相反，FaceNet 则显示出纯粹的数据驱动。其借助 Triplet Loss 令网络将人脸图像映射到低维空间，网络结...

ArcFaceCosFace, AM-SoftmaxSphereFace近年来，卷积神经网络由于在学习辨别特征方面的优势而显着提高了人脸识别的性能。为了增强 Softmax 损失的判别能力，乘性角度余量(SphereFace)和加性余弦余量(AM-Softmax, CosFace)分别将角度余量和余弦余量加入到损失函数中。ArcFace 提出了一种新的监督信号，即加性角度裕度(ArcFace)...