Feature Transfer Learning for Deep Face Recognition with Long-Tail Data 论文阅读笔记

最新推荐文章于 2023-01-29 21:19:34 发布
最新推荐文章于 2023-01-29 21:19:34 发布
阅读量2.2k 收藏 2
点赞数 1
分类专栏： 深度学习 人脸识别
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/u014114990/article/details/90719235
版权

 

问题： 训练人脸模型需要依赖大规模数据，比如 MsCeleb1M,deepglint, WebFace 等，但这些大规模数据存在严重的long-tail 问题。 简单说，20%人占了80%数据。   这个问题普遍存在，也有不少paper解决该问题。 比如range loss 等。 

本文idea： 将GAN 网络方法融合到主流的人脸识别模型中， 在特征领域进行迁移学习。  

本文方法比较新颖，先简单记录一下，抽时间精读时，再做详细的笔记。

 

本文

 

 

 

 

 

 

 

deep_learninger
关注
专栏目录
论文阅读：《Feature Space Augmentation for Long-Tailed Data》
qq_40310050的博客
04-01 1310
长尾数据的特征空间增强 ECCV 2020 springer 摘要 现实世界的数据往往遵循长尾分布，因为每个类别的频率通常是不同的。例如，一个数据集可能有大量代表性不足的类，以及少数有足够数据的类。然而，代表数据集的模型通常被期望在不同的类中具有合理的同质性表现。引入类平衡损失和关于数据重新采样和增强的先进方法是缓解数据不平衡问题的最佳做法之一。然而，关于代表性不足的类的另一部分问题将不得不依赖额外的知识来恢复缺失的信息。在这项工作中，我们提出了一种新的方法来解决长尾问题，即用从样本充足的类中学习到的特征来
CVPR人脸识别梳理
qq_33824968的博客
06-18 4723
1：Feature Transfer Learning for Face Recognition with Under-Represented Data 基于数据不足的数据集通过特征迁移学习人脸识别。 2：Disentangled Representation Learning for 3D Face Shape 将3D的人脸形状分解成认证部分（identity part）和表示部分...
深度学习模型-13 迁移学习（Transfer Learning）技术概述
热门推荐
lqfarmer的博客
06-13 3万+
前一期介绍了表示学习Representation Learning，指出其中比较有趣的一个方向-共享表示学习。今天介绍共享表示学习最相关的机器学习领域-迁移学习（Transfer Learning）。文章内容主要整理自论文《A survey on transfer Learning》。 1 迁移学习提出的背景及历史 1、迁移学习提出背景 在机器学习、深度学习和数据挖掘的大多数任务中，我们
Long-tailed Recognition (长尾问题)
连理o的博客
11-03 1万+
Ref: Long-Tailed Classification (1) 长尾 (不均衡) 分布下的分类问题简介 目录Long-Tailed Classification Long-Tailed Classification 长尾数据 在传统的分类和识别任务中，训练数据的分布往往都受到了人工的均衡，即不同类别的样本数量无明显差异。一个均衡的数据集固然大大简化了对算法鲁棒性的要求，也一定程度上保障了所得模型的可靠性，但随着关注类别的逐渐增加，维持各个类别之间均衡就将带来指数增长的采集成本 举个简单的例子.
#感恩节技术博客第一弹#Deep learning&&Face recognition
Rundong_USC的博客
11-25 730
一年一度的感恩节到了，博主却在遥远的大洋彼岸默默地耕耘着自己的学术梦想。作为一枚在电子工程与计算机科学领域摸爬滚打多年的理工男，博主对于即将到来的人工智能新时代有着自己独到的认识。此次借着最近要做的一个课题研究，博主来简要地谈谈对于Deep learning和Face Recognition的理解。 （1）何谓深度学习？ 谈到深度学习，就不得不提神经网络。在深度学习还没有火起来的很多年前，神经网络
长尾分布数据
weixin_37651084的博客
04-09 2612
long-tailed distribution BBN: Bilateral-Branch Network with Cumulative Learning for Long-Tailed Visual Recognition（CVPR20 oral） M2m: Imbalanced Classification via Major-to-minor Translation （CVPR2...
Range Loss for Deep Face Recognition with Long-Tailed Training Data（商汤，论文阅读ppt)
12-16
Range Loss for Deep Face Recognition with Long-Tailed Training Data，ICCV 2017，商汤科技 本文的贡献： - 研究长尾分布对人脸 CNNs 模型训练的影响，并想办法缓解 - 开发出新loss —— Range loss ...
Unequal-Training-for-Deep-Face-Recognition-with-Long-Tailed-Noisy-Data:CVPR2019论文代码《带有长尾噪声数据的深度人脸识别的不平等训练》
03-11
这是CVPR 2019论文的代码。 使用说明 该代码是从采用的。 我衷心感谢他们的贡献。 我们的方法需要两阶段的训练，因此代码也是逐步的。 如果我谦虚的代码可以为您提供帮助，我将非常高兴。 如果有任何疑问或问题，...
Git-Loss-For-Deep-Face-Recognition-master_loss_deeplearning_face
09-29
Git-Loss-For-Deep-Face-Recognition-master
文献阅读 - A Discriminative Feature Learning Approach for Deep Face Recognition
Always On The Way
05-22 1485
A Discriminative Feature Learning Approach for Deep Face Recognition Y. Wen, K. Zhang, Z. Li, & Y. Qiao, A Discriminative Feature Learning Approach for Deep Face Recognition, ECCV, 2016 摘要 （1）中心...
人脸识别数据集-facerecognition
04-11
kaggle2018年人脸识别数据集，一共22张彩色人脸图，包括10位志愿者，包括不同光照变化、头部姿态。
Long tailed 长尾分布论文汇总
adf1179的博客
04-14 6447
什么是长尾分布？ 长期以来研究人员做图像、文本分类时使用的大多是均衡数据集：MNIST， CIFAR 10， CIFAR 100等，但是现实生活中的数据分布是非常不均衡的。有的类会占绝大多数，有的类别却很少出现。如果对这种分布不加以考虑，会导致尾部类别（tail）的预测结果受到很大影响，会严重的偏向头部类（head），如图所示： 目前对于长尾分布已经有很多工作去优化、考虑，在这里对最近自己看的论文进行总结。 计算机视觉 Class-Balanced Loss Based on Effective Num
SIGIR21_Long-Tail Hashing阅读笔记
weixin_47340312的博客
01-29 237
LTH阅读笔记
深度学习入门:Good Practice in CNN Feature Transfer
HAHA的专栏
06-02 2403
深度学习入门笔记:Good Practice in CNN Feature Transfer     这篇paper主要谈到了三个方面：     1）CNN对于输入图像的大小很敏感，因为不同大小的图像在整个下采样的过程中会有不同程度的精度损失。     2) CNN最经常使用的是VGG16，这里就会涉及到对于不同的应用应该使用不同层次的特征使用。主要是因为浅层的更加倾向于抽取
face recognition[翻译][深度人脸识别:综述]
weixin_34232363的博客
10-18 1783
这里翻译下《Deep face recognition: a survey v4》. 1 引言 由于它的非侵入性和自然特征，人脸识别已经成为身份识别中重要的生物认证技术，也已经应用到许多领域，如军事，进入，公共安全和日常生活。FR自然在CVPR会议中也占据了十分长的时间。早在1990年代，随着特征脸的提出[157]，FR就成为了一个比较热门的研究领域。过去基于特征进行FR的里程碑方法在图1中有所...
SynFace Face: Recognition with Synthetic Data 阅读笔记
Wisley的读书笔记分享
10-18 1867
SynFace: Face Recognition with Synthetic Data 该文主要目的是将合成的人脸数据用于人脸识别模型的训练，指出了用生成图像来训练无法达到真实图片效果的原因，并给出了解决方法。文中同时还讨论了数据集的深度和广度对模型性能的影响，并研究了数据中一些属性如光照、表情、姿势等对训练结果的影响。 背景 近年来，人脸识别在一系列具有挑战性的问题上取得了非凡的进展，比如不同年龄匹配、多模态模态，遮挡人脸等问题。在这些发展中，不单单是对网络模型的改进或是对损失的改进，数据集的规模和
北邮计算机学院实验室介绍,邓伟洪 | 北邮模式识别实验室
weixin_31814585的博客
07-03 2005
Chengrui Wang, Weihong Deng, Representative Forgery Mining for Fake Face Detection, CVPR 2021Yaoyao Zhong, Weihong Deng, et al., SFace: Sigmoid-constrained Hypersphere Loss for Robust Face Recognition...
【CVPR2019】论文完整列表一
TomRen
06-11 1万+
CVPR 2019 Paper list[1-1000] CVPR2019 完整列表二 论文题目与链接 Finding Task-Relevant Features for Few-Shot Learning by Category Traversal Edge-Labeling Graph Neural Network for Few-Shot Learning G...
2019CVPR 人脸相关论文
xiong_hany的博客
06-18 6797
参考链接： https://github.com/extreme-assistant/cvpr2019； https://github.com/extreme-assistant/cvpr2019/blob/master/cvpr_2019_githublinks.csv； https://blog.csdn.net/u014636245/article/details/91426736； ...
Deep transfer learning for enhanced recognition of flowers in the wild
最新发布
04-24
可以使用深度迁移学习来增强野外花卉识别。深度迁移学习是通过将预训练模型的知识转移到新任务中来提高模型效果的一种机器学习技术。对于野外花卉识别，可以使用大规模的图像分类预训练模型，如ImageNet，将其在花卉图像上微调，以进行图像分类和识别。此外，可以使用数据增强技术来增加训练数据，提高模型的鲁棒性。
评论 1
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