人脸识别损失函数(Center-Loss、A-Softmax、AM-Softmax、ArcFace)

最新推荐文章于 2024-08-18 17:05:40 发布
最新推荐文章于 2024-08-18 17:05:40 发布
阅读量473 收藏
点赞数
分类专栏： Deep Learning 文章标签： python
原文链接：https://zhuanlan.zhihu.com/p/62680658
版权
本文详细介绍了人脸识别领域的几种关键损失函数，包括Center-Loss、A-Softmax、AM-Softmax以及ArcFace。这些损失函数在优化模型训练、提升面部识别的准确性方面起到了重要作用，特别是ArcFace在保留类别间距离的同时增强了特征表示的区分性。
摘要由CSDN通过智能技术生成
张博208
关注
专栏目录
人脸识别中的loss损失函数解析1-softmax loss
kupePoem的专栏
12-25 457
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 ...
人脸识别中的loss损失函数解析2-center loss
kupePoem的专栏
12-25 1512
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...
AMSoftmax
唧唧复歪歪
03-23 820
首先，不同于Softmax，AMSoftmax属于Metric Learning——缩小类内距增大类间距的策略。下图2形象的解释了Softmax 和 AMSoftmax的区别，Softmax能做到的只能是划分类别间的界线——绿色虚线，而AMSoftmax可以缩小类内距增大类间距，将类的区间缩小到Target region范围，同时又会产生margin大小的类间距。 ...
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 2520
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
AMSoftmax学习
最新发布
weixin_62456688的博客
08-18 375
比如说模型输出数据的维度是1*n,但是在此次训练中数据集的类别是m,为了模型输出的维度和输出数据的维度相匹配，我们利用了一个W矩阵，将输出的feat转为(1*m)维度。它的公式也就是由如下所示。我在这里理解最后全连接层训练的参数W权重矩阵其实就是每一类的中心向量的汇总，然后将输入的数据x映射到待分类的线性空间上(以中心向量作为基准向量)。之前的softmax loss得到的只是一个vector(基准)但是类间的距离却差别不是很大，而由下图中的左图我们可以看出类内的点variance比较大，分散比较零散。
人脸识别loss
myh12138的博客
05-26 259
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
人脸识别Loss：Circle Loss
u013250861的博客
06-15 442
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。参考资料： 人脸识别Loss：Circle Loss......
人脸识别的LOSS（上）
MrCharles在CSDN
04-26 1415
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 1959
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...
arcface损失 应用分类识别_人脸识别损失函数(Center-Loss、A-Softmax、AM-Softmax、ArcFace)...
weixin_42591413的博客
12-30 811
最近在研究自编码器提取特征做分类和生成、重建。所以细致了解人脸识别的各种损失函数！1、概要人脸识别：输入一张图片，进行人脸检测，再提取关键点进行人脸对齐矫正，最后提取人脸特征，进行判别这个人是谁。判别这个人是谁，本质上是分类问题。既然牵涉到分类，分类的目的就是不同类的类间间距够大，同一类的类内距离足够小。那么我们一步一步介绍人脸识别中常用的损失函数。2、Softmax Loss ：将特征图扁平化...
人脸识别-损失函数：概述【Softmax loss→Center Loss→L-Softmax Loss→SphereFace→CosFace→ArcFace】
u013250861的博客
08-18 775
L=−j=1∑T​yj​log(Sj​)=−N1​i∑​log(∑j​ewjT​xi​ewyi​T​xi​​)LSj​Sjjyj​j1Ty1×TT11T−10110样本3真实类别为c1​，c5​loss3​=−∑yi,c​⋅log(pi,c​)​=−[y3,1​⋅log(p3,1​)+
人脸识别 损失函数 centerloss arcfaceloss pytorch实现
不佛的博客
10-16 3450
Softmax loss
【深度学习】人脸识别的Loss
聊北辰同学的博客
07-16 932
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
06-16 968
移步到：https://blog.csdn.net/Wuzebiao2016/article/details/81839452
人脸识别-Crystal loss
weixin_NineDays66
11-28 679
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...
人脸识别系列（十六）：AMSoftmax
热门推荐
Fire_Light_的博客
03-18 2万+
论文链接：Additive Margin Softmax for Face Verification AMSoftmax Softmax ASoftmax 这是在SphereFace中提出来的损失函数 AMSoftmax 这就是本文新提出的损失函数了。其变化就在于修改了Cos(mθ)为一个新函数： 与ASoftmax中定的的类似，可以达到减小对应标签项的概率，增大...
人脸识别演变过程中的 softmax loss、center loss、L-Softmax loss、A-Softmax loss、AM-Softmax loss、ArcFace的完整详细讲解
qq_41158484的博客
10-18 2083
人脸识别的损失方法，学习汇总
人脸识别的损失函数解读
周红伟讲AI
05-28 1446
最近在研究自编码器提取特征做分类和生成、重建。所以细致了解人脸识别的各种损失函数！ 文章目录 1、概要 2、Softmax Loss 3、Center Loss 4、A-Softmax Loss 5、L-Softmax Loss 6、CosFace Loss 7、AM-Softmax 8、ArcFace/Insight Face 9、小结一下 10、参考链接 1、概要 人脸识别：输入一张图片，进行人脸检测，再提取关键点进行人脸对齐矫正，最后提取人脸特征，进行判别这个人是谁。判别这个人是谁，本质上是分类问题
盘点在人脸识别领域现今主流的loss
AI程序媛的博客
05-22 379
参考博客：https://zhuanlan.zhihu.com/p/64314762
多人实时人脸检测与识别系统设计及开发指南
- Center-Loss是一种用于提高人脸识别性能的损失函数，通过拉近同一个人脸特征之间的距离，并推开不同人脸特征之间的距离，来提高特征表达的区分度。 - 它与传统softmax损失函数结合使用，以达到更准确的分类效果。 ...
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