【没有哪个港口是永远的停留～论文复现】人脸识别 loss测试

最新推荐文章于 2023-06-30 13:22:54 发布
最新推荐文章于 2023-06-30 13:22:54 发布
阅读量165 收藏
点赞数
分类专栏： 论文研究、复现、总结
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/magic_shuang/article/details/111447510
版权

基本情况：

  1. 代码：PyTorch
  2. 数据集：手写数字
  3. 学习率:0.1~0.0001
  4. 优化器：ADAM
  5. 模型：lenet
  6. 批次：256 epoch 1000以内
  7. 设备：1080Ti 11g
loss公式训练集测试集
softmax loss0.993
l_softmax(-1)**k * cos(myi,i) - 2 * k0.994
AM_softmaxS * (COS(<x,w>) - m3)0.996
center loss0.996 alpha=0.001、0.01、0.05、0.1alpha=0.001
arcfaceS * (COS(THTA-m2) - m3)0.995
magic_shuang
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
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 2480
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(Center-Loss、A-Softmax、AM-Softmax、ArcFace)
bbbeoy的专栏
05-30 262
引用
人脸识别损失函数总结
最新发布
chen_znn的博客
06-30 1560
学习记录之经典人脸识别损失函数总结
【深度学习】人脸识别的Loss
聊北辰同学的博客
07-16 808
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Loss发展至2022年】
略知12的博客
05-01 1121
文章目录前言一、交叉熵损失Softmax Loss二、Center Loss 前言 人脸识别算法相对来说已经很成熟了，基于深度学习的FR可以分为两部分，一是特征提取，二是Loss，其中Loss是各FR算法改进的重点。 本文参考此处 一、交叉熵损失Softmax Loss Softmax Loss是分类中最常见的Loss，用于将同类的数据聚在一起，随着Loss的减小(括号内的值趋于1，log1=0)，调整参数W和b，现有的人脸Loss基本都是以Softmax Loss为base。虽然Softmax能正确分
Python论文复现实战-MTCNN-级联式人脸检测（保姆级教程）
11-18
本资源针对人脸识别的级联检测方法进行保姆级的教程，适合初学人工智能、对计算机视觉领域感兴趣，但缺少项目经历的小白学习，包含PyTorch和TensorFlow两个版本，均在前人代码上进行过改写，推荐使用PyTorch版本。...
基于YOLO的人脸检测和人脸计数复现代码及过程.rar
06-23
Yolov5代码实现 修改和训练过程 及结果，课程设计
论文研究-基于Fisher判别法的人脸图像识别 .pdf
08-15
基于Fisher判别法的人脸图像识别，舒予，，本文描述了人脸识别的两大步骤——特征提取和样本分类，介绍了K-L变换在人脸图像特征提取方面的运用，重点讲解了应用广泛的Fisher判
论文复现-深度补全算法
03-10
1、传统深度不全算法复现 2、详细内容可见：https://blog.csdn.net/qq_43627520/article/details/123344654?spm=1001.2014.3001.5502 3、复现代码可直接运行、包含有测试用例、以及验证代码
FisherFace_人脸识别_matlab人脸_算法_matlab人脸识别_
10-01
人脸识别经典算法，包含数据和matlab代码
Softmax和Overfitting
qq_963157144的博客
08-25 214
补充： 1.softmax初探 在机器学习尤其是深度学习中，softmax是个非常常用而且比较重要的函数，尤其在多分类的场景中使用广泛。他把一些输入映射为0-1之间的实数，并且归一化保证和为1，因此多分类的概率之和也刚好为1。 首先我们简单来看看softmax是什么意思。顾名思义，softmax由两个单词组成，其中一个是max。对于max我们都很熟悉，比如有两个变量a,b。如果a>b，...
盘点在人脸识别领域现今主流的loss
AI程序媛的博客
05-22 354
参考博客：https://zhuanlan.zhihu.com/p/64314762
浅谈人脸识别中的loss 损失函数
热门推荐
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 损失函数 centerloss arcfaceloss pytorch实现
不佛的博客
10-16 3159
Softmax loss
人脸识别的LOSS（上）
MrCharles在CSDN
04-26 1385
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
人脸识别常用数据集和Loss
m0_37531129的博客
07-15 1729
数据集的noise对训练效果的影响很大！很长一段时间MegaFace的效果都上不去，就是因为数据集噪声的原因。而且自己在训练人脸的时候，如果不对数据集的噪声和属性有一点了解，对训练结果可能会有误判，甚至越训练越差…在选择数据集的时候不要一味求大，有的时候选择一个noise比例极高的大数据集，效果还不如选择一个clean的小数据集呢，可以参见这篇论文The Devil of Face Recognition is in the Noise LFW 全名是Labeled Faces in the Wild.这个
人脸识别的loss总结
qq_40429303的博客
06-16 921
移步到：https://blog.csdn.net/Wuzebiao2016/article/details/81839452
人脸识别的LOSS（多分类Softamx）
爱破破爱科研
09-04 5573
人脸1：N应用：https://blog.csdn.net/intflojx/article/details/81278330 超多分类的Softmax 早期深度人脸识别方法，框架为CNN + Softmax，以“超多分类”这样一种比较难的任务训练CNN，强迫网络在第一个FC层形成比较紧凑的，判别力很强的深度人脸特征，之后用于人脸识别。 Softmax优缺点 Softmax是soft（...
基于Triplet loss函数训练人脸识别深度网络（Open Face）
zzyy0929的博客
10-23 4624
官方下载地址Git:  http://cmusatyalab.github.io/openface/ FaceNet’s innovation comes from four distinct factors: (a) thetriplet loss, (b) their triplet selection procedure, (c) training with 100 million
如何复现IEEE人脸识别代码
06-09
要复现IEEE人脸识别代码，你需要按照以下步骤进行操作： 1. 下载并安装Matlab软件，版本需要大于2012b。 2. 下载人脸识别代码和数据集，可以在IEEE的官方网站上下载。 3. 解压缩代码和数据集，将它们放在同一个文件夹下。 4. 打开Matlab软件，将当前工作目录设置为代码和数据集所在的文件夹。 5. 运行主程序文件，这个文件的名字是"main.m"。 6. 等待程序运行结束，你会看到识别结果的输出。 需要注意的是，IEEE人脸识别代码是基于深度学习算法实现的，因此需要一定的计算资源和时间。如果你的计算机性能较低，可能需要等待更长的时间才能得到结果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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