多目标联合路线
基本结构
ArcFace主干网络 + Unet语义分割网络,分类+分割多目标联合训练。
ArcFace主干网络基本Block结构
block有效性的可能理论依据 :Identity Mappings in Deep Residual Networks(译)
Unet upConv结构
从运算速度的角度考虑,采用Unpooling+Conv的方式实现Deconv的功能,而没有直接使用Deconv。
ArcFace损失的几何特性
SCPNet路线
SCPNet原网络示意图
用在人脸识别上的改进
- spatial feature 使用有交叠的特征图的左上,右上,左下,右下。
- Spatial GAP之前对通过aggregation map对特征进行筛选,突出更重要的细粒度特征。
- 计算SCPLoss时,将MSELoss替换为CosineEmbeddingLoss。
- 人脸识别项目中没有使用tripletLoss。
TripletLoss
计算公式
L
=
∑
i
N
[
∣
∣
f
(
x
i
a
)
−
f
(
x
i
p
)
∣
∣
2
2
−
∣
∣
f
(
x
i
a
)
−
f
(
x
i
n
)
∣
∣
2
2
+
α
]
+
L=\sum_i^N[||f(x_i^a)-f(x_i^p)||_2^2-||f(x_i^a)-f(x_i^n)||_2^2+\alpha]_+
L=∑iN[∣∣f(xia)−f(xip)∣∣22−∣∣f(xia)−f(xin)∣∣22+α]+
其中
[
.
]
+
[.]_+
[.]+表示中括号中的值大于0时取原值,否则取0。