原
【汇总贴】人脸识别相关论文的优秀解读博客汇总
2018年05月29日 16:50:48
东写西读1
阅读数:373
<span class="tags-box artic-tag-box">
<span class="label">标签:</span>
<a data-track-click="{"mod":"popu_626","con":"人脸识别"}" class="tag-link" href="http://so.csdn.net/so/search/s.do?q=人脸识别&t=blog" target="_blank">人脸识别 </a><a data-track-click="{"mod":"popu_626","con":"计算机视觉"}" class="tag-link" href="http://so.csdn.net/so/search/s.do?q=计算机视觉&t=blog" target="_blank">计算机视觉 </a><a data-track-click="{"mod":"popu_626","con":"深度学习"}" class="tag-link" href="http://so.csdn.net/so/search/s.do?q=深度学习&t=blog" target="_blank">深度学习 </a>
<span class="article_info_click">更多</span></span>
<div class="tags-box space">
<span class="label">个人分类:</span>
<a class="tag-link" href="https://blog.csdn.net/u013044310/article/category/7586591" target="_blank">人工智能 </a><a class="tag-link" href="https://blog.csdn.net/u013044310/article/category/7586593" target="_blank">深度学习 </a>
</div>
</div>
<div class="operating">
</div>
</div>
</div>
</div>
<article class="baidu_pl">
<div id="article_content" class="article_content clearfix csdn-tracking-statistics" data-pid="blog" data-mod="popu_307" data-dsm="post">
<div id="content_views" class="markdown_views prism-dracula">
<!-- flowchart 箭头图标 勿删 -->
<svg xmlns="http://www.w3.org/2000/svg" style="display: none;"><path stroke-linecap="round" d="M5,0 0,2.5 5,5z" id="raphael-marker-block" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0);"></path></svg>
<h2 id="人脸识别相关论文的优秀解读博客汇总"><a name="t0"></a>人脸识别相关论文的优秀解读博客汇总</h2>
为了便于以后查阅,将看到的人脸识别相关论文的解读博客做一个汇总。
0、综述:
- 如何走近深度学习人脸识别?你需要这篇超长综述 | 附开源代码
- 关于度量学习的解释
一、FaceNet
论文地址:https://arxiv.org/abs/1503.03832
参考博客:
1. 史上最全的FaceNet源码使用方法和讲解(附预训练模型下载)
2. facenet 代码阅读笔记:如何训练基于triplet-loss的模型
2. 谷歌人脸识别系统FaceNet解析
3. FaceNet—深度学习与人脸识别的二次结合
4. 【人脸识别】FaceNet- A Unified Embedding for Face Recognition and Clustering
二、对于损失函数的改进
1、Deep Face Recognition
针对 Triplet Loss训练收敛缓慢的问题,提出了先用传统的 softmax粗训练人脸识别模型,再用Triplet Loss进行细致训练。
论文地址:http://www.robots.ox.ac.uk/~vgg/software/vgg_face/
参考博客:
人脸识别:Deep Face Recognition论文阅读
2、 In Defense of the Triplet Loss for Person Re-Identification
主要贡献是:① 设计了新的Triplet Loss(去掉了平方项),并和其它变种进行了对比;② 引进了 Batch Hard Sampling
论文地址:https://arxiv.org/abs/1703.07737
github地址:https://github.com/VisualComputingInstitute/triplet-reid
参考博客:
1. Re-ID with Triplet Loss
2. 【论文笔记】In Defense of the Triplet Loss for Person Re-Identification
3、Sampling matters in deep embedding learning
主要贡献:① 改进了样本选取的方法(Distance Weighted Sampling Method);② 提出了一种triplet loss的变体—— Margin Based Loss。据说这两个都比上一篇论文中的效果更好,但是没有亲测。
特别需要说明的是,这篇论文里回顾了contrastive loss,triplet loss(facenet论文)的损失函数和sample的选取方式,并说明了其相应的优缺点,可以说集合了这两篇论文的精华思想。看一篇,顶三篇。
论文地址:https://arxiv.org/abs/1706.07567
参考博客:
1. 深度学习新的采样方式和损失函数论文笔记-知乎
2. 知乎-如何评价Sampling Matters in Deep Embedding Learning?