人脸识别Loss损失函数

最新推荐文章于 2025-10-17 17:49:54 发布

转载最新推荐文章于 2025-10-17 17:49:54 发布 · 589 阅读

深度学习_学习笔记专栏收录该内容

11 篇文章

订阅专栏

https://www.cnblogs.com/adong7639/p/8944698.html

上：https://zhuanlan.zhihu.com/p/34404607

下：https://blog.youkuaiyun.com/u014380165/article/details/76864572

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

yyangzhenjie

关注关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

人脸识别损失函数综述（附开源地址）

jacke121的专栏

01-08

3473

原文：https://mp.weixin.qq.com/s?__biz=MzIwMTE1NjQxMQ==&mid=2247485103&idx=1&sn=d3c01761e8b7684cf4179f41b1b98d09&chksm=96f374fba184fdedf98523e3d412dc66c4bacb2b016651fc3d42042d841b14e69eca...

人脸识别中的loss损失函数解析2-center loss

kupePoem的专栏

12-25

1720

目录一、概述二、center loss 1、类别中心 2、loss 三、学习算法 1、类别中心 2、整体学习算法四、可视化结果探讨五、论文链接一、概述在人脸识别中，算法的提高主要体现在损失函数的设计上，损失函数会对整个网络的优化有着导向性的作用。我们看到许多常用的损失函数，从传统的softmax loss到cosface, arcface 都有这一定的提高。无论是SphereFace、CosineFace还是ArcFace的损失函数，都是基...

参与评论您还未登录，请先登录后发表或查看评论

人脸识别损失函数 Loss function

benniaofei18的博客

01-18

581

人脸识别的LOSS（上） 人脸识别的LOSS（下） 损失函数改进之Large-Margin Softmax Loss

Loss/损失函数05：Triplet Loss（三元组损失）详解【拉近类内距离、拉远类间距离】【应用场景：人脸识别、图像检索、行人重识别、签名验证、语音识别】

最新发布

u013250861的博客

10-17

894

相似的图像（如同一个人的不同照片）在特征空间中距离很近不相似的图像（如不同人的照片）在特征空间中距离很远传统的分类损失（如交叉熵）需要预先知道所有类别，但在人脸识别中，我们可能会遇到训练时没见过的新人脸。Triplet Loss通过学习一个嵌入空间（Embedding Space），使得相似样本靠近，不相似样本远离，从而解决这个问题。三元组结构目标DapαDanDapαDan损失函数L∥fa−fp∥2−∥fa−fn∥2αL∥fa−。

人脸识别中的loss 损失函数（转）

小C的博客

08-11

1004

【时间】2019.08.11 【题目】人脸识别中的loss 损失函数（转）一、浅谈人脸识别中的loss 损失函数

人脸识别常用loss总结及tensorflow实现

Jiesonshan的博客

08-26

982

人脸识别常用loss总结及tensorflow实现

【Pytorch】常见的人脸身份识别损失函数

qq_33934427的博客

03-16

2465

Pytorch常见损失函数 实验环境准备：人脸多角度多光照的图像数据集MUCT（276个受试者）+ MobileNetV3 文章目录Pytorch常见损失函数0、Softmax（激活函数）1、NLLLoss（负对数似然损失）1）源码解析2）实验2、CrossEntropyLoss（损失函数）1）源码解析2）实验3、Center loss（损失函数 - 2016）1）源码解析2）实验4、L2-Softmax（损失约束 - 2017 特征归一化）1）源码2）实验5、SphereFace loss（损失约束 -

人脸识别中的loss损失函数解析3-L-softmax loss

kupePoem的专栏

12-25

973

目录一、概述二、Large Margin Softmax Loss（L-softmax loss) 1、概述 2、loss 三、可视化探讨四、论文链接一、概述在人脸识别中，算法的提高主要体现在损失函数的设计上，损失函数会对整个网络的优化有着导向性的作用。我们看到许多常用的损失函数，从传统的softmax loss到cosface, arcface 都有这一定的提高。无论是SphereFace、CosineFace还是ArcFace的损失函数，都是基于Softma...

人脸识别-损失函数：概述【Softmax loss→Center Loss→L-Softmax Loss→SphereFace→CosFace→ArcFace】

u013250861的博客

08-18

976

L=−j=1∑Tyjlog(Sj)=−N1i∑log(∑jewjTxiewyiTxi)LSjSjjyjj1Ty1×TT11T−10110样本3真实类别为c1，c5loss3=−∑yi,c⋅log(pi,c)=−[y3,1⋅log(p3,1)+

人脸识别中的loss损失函数解析1-softmax loss

kupePoem的专栏

12-25

686

一、概述在人脸识别中，算法的提高主要体现在损失函数的设计上，损失函数会对整个网络的优化有着导向性的作用。我们看到许多常用的损失函数，从传统的softmax loss到cosface, arcface 都有这一定的提高。无论是SphereFace、CosineFace还是ArcFace的损失函数，都是基于Softmax loss来进行修改的。 Base line Softmax loss 各种延伸的算法 Triplet loss, center loss 最新算法 ...

【人脸识别经典损失函数arface loss原理和代码解读】

Kane_new的博客

03-05

1299

人脸识别经典损失函数arface loss原理和代码解读

Loss Function总结

热门推荐

竭尽全力的专栏

01-20

1万+

开始比较纠结于Cost/Error Function和Loss Function之间的区别，后来发现它们在数学优化问题上其实是一回事，见这里。因此以下主要以LossFunction进行总结。一、什么是Loss Function wiki上有一句解释很到位，引用一下：The loss function quantifies the amount by which the predictio

损失函数总结

zhuimengshaonian66的博客

10-10

341

本篇文章介绍一下tensorflow中必须要掌握的基础知识点,就是损失函数,因为最终训练迭代优化就是损失函数,那么总体来说它可以分为两大类: 1 以回归为主：MSE-均方根误差 2 以分类为主：SOFTMAX-交叉熵 3 根据特定场景：自定义损失函数 接下来我们具体来通过代码讲解每种具体的实例: 首先我们看一下均方根误差-MSE import tensorflow as tf ...

浅谈人脸识别中的loss 损失函数

liguiyuan的博客

04-17

1万+

在人脸识别中，算法的提高主要体现在损失函数的设计上，损失函数会对整个网络的优化有着导向性的作用。我们看到许多常用的损失函数，从传统的softmax loss到cosface, arcface 都有这一定的提高，这篇文章自己就来整理下这几个算法。无论是SphereFace、CosineFace还是ArcFace的损失函数，都是基于Softmax loss来进行修改的。 Base l...

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

2592

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

人脸识别损失函数梳理与分析/相关方法整理

wonengguwozai的博客

10-12

307

人脸识别损失函数梳理与分析（转载） 人脸识别损失函数疏理与分析 人脸识别中Softmax-based Loss的演化史 人脸识别：损失函数总结

人脸识别：Loss函数总结

BigCowPeking

03-31

5150

基于深度学习的人脸识别发展，从deepid开始，到今年（或者说去年），已经基本趋于成熟。凡是基于识别的，总是离不开三个东西：数据，网络，以及loss。数据方面，目前的公开数据集中有主打类别数的MS_celeb_1M，有主打各种姿态角与年龄的VggFace2；也有一些主打高质量的数据集，像WebFace，guo yandong的MS-20K。除了公开数据集之外，图片生成领域也有不错的成果，例如基于三...

人脸识别0-05：insightFace-损失函数arcface-史上最全

江南才尽江南山，年少无知年少狂！

08-23

7144

以下链接是个人关于insightFace所有见解，如有错误欢迎大家指出，我会第一时间纠正，如有兴趣可以加QQ：944284742相互讨论技术。 insightFace目录:https：//blog.youkuaiyun.com/weixin_43013761/article/details/99646731： softmax到arcface 在讲解arcface loss之前，我们必须去看一下softmax家......

深度网络中softmax_loss、Smooth L1 loss计算以及反向传播推(转载)

zhe_csdn的博客

07-10

970

https://blog.youkuaiyun.com/dongapple/article/details/75468810

yolov8人脸识别改进损失函数

05-16

### 改进 YOLOv8 面部识别任务中的损失函数 在面部识别任务中，YOLOv8 的默认损失函数可能无法完全适应复杂的场景需求。为了优化其性能，可以引入 Quality Focal Loss (QFL)[^1] 或其他更适合分类和定位的任务特定损失函数。 #### QFL 的基本原理 Quality Focal Loss 是一种专门设计用于解决类别不平衡问题的损失函数。它不仅关注预测框的位置误差，还考虑了置信度的质量评估。具体来说，QFL 将二元交叉熵损失替换为一个更加平滑的形式，使得模型能够更好地处理正负样本之间的分布不均问题。以下是实现 QFL 并将其集成到 YOLOv8 训练过程的关键部分： ```python import torch import torch.nn as nn class QualityFocalLoss(nn.Module): def __init__(self, beta=2.0, reduction='mean'): super(QualityFocalLoss, self).__init__() self.beta = beta self.reduction = reduction def forward(self, pred_scores, gt_scores): """ :param pred_scores: 模型预测的概率分数 [N, C] :param gt_scores: 地面真值概率分数 [N, C] :return: loss 值 """ # 计算 focal term 和 quality term pt = torch.where(gt_scores == 1, pred_scores, 1 - pred_scores) alpha_t = torch.ones_like(pred_scores) * ((gt_scores >= 1).float()) # 使用 smooth L1 来替代原始 BCEWithLogitsLoss ce_loss = -(torch.log(pt.clamp(min=1e-4))) pf = torch.pow(1 - pt, self.beta) qfl_loss = alpha_t * pf * ce_loss if self.reduction == 'mean': return qfl_loss.mean() elif self.reduction == 'sum': return qfl_loss.sum() else: return qfl_loss ``` 此代码定义了一个 `QualityFocalLoss` 类，可以直接作为自定义损失模块嵌入到 YOLOv8 中。需要注意的是，在实际部署过程中还需要调整锚框分配逻辑以及 NMS 后处理方式以匹配新的质量评分机制[^1]。 #### 修改 YOLOv8 的训练配置文件要将上述 QFL 应用至 YOLOv8 的人脸识别项目中，通常需要编辑对应的 YAML 配置文档或者 Python 脚本内的参数设置项。例如更新如下字段: ```yaml loss: name: custom_qfl_loss # 自定义名称便于区分原生版本 weight_box: 0.05 # 边界框回归权重比例调节 weight_cls: 1.0 # 分类分支的重要性系数设定 weight_obj: 1.0 # 对象性得分贡献程度指定 ``` 同时确保加载新编写的 PyTorch 层次结构，并验证整个流水线能否正常运作无误之后再投入正式环境测试阶段。 --- ###