人脸识别
酉意铭
深度学习 计算机视觉
展开
-
FaceNet: A Unified Embedding for Face Recognition and Clustering(论文阅读笔记)
论文中一个很重要的贡献是提出了triplet loss论文链接:https://arxiv.org/abs/1503.03832摘要 尽管人脸识别领域最近取得了重大进展[10,14,15,17],但大规模高效地实现人脸验证和识别对现有方法提出了严峻挑战。在这篇论文中,我们提出了一个叫做FaceNet的系统,它可以直接从人脸图像学习到一个紧凑的欧几里德空间的映射,其中距离直接对应于...原创 2019-07-07 15:50:41 · 7050 阅读 · 0 评论 -
Center Loss: A Discriminative Feature Learning Approach for Deep Face Recognition(论文阅读笔记)
摘要 卷积神经网络(CNNs)在计算机视觉领域得到了广泛的应用,极大地提高了计算机视觉领域的技术水平。在现有的神经网络中,大多采用softmax损失作为监督信号来训练模型。为了提高对深度学习特征的识别能力,提出了一种新的人脸识别监控信号——center loss。具体来说,center loss同时学习每个类的深度特征中心,并惩罚深度特征与其对应的类中心之间的距离。更重要的是,我们证明了...原创 2019-07-23 17:28:02 · 3689 阅读 · 0 评论 -
RetinaFace: Single-stage Dense Face Localisation in the Wild(论文阅读笔记)
摘要 虽然在不受控制的人脸检测方面已经取得了巨大的进步,但是在wilder上准确有效的人脸定位仍然是一个公开的挑战。本文提出了一种鲁棒的single stage人脸检测器RetinaFace,它利用联合的额外监督和自监督多任务学习的优点,对不同尺度的人脸进行像素级定位。具体来说,我们在以下五个方面做出了贡献:(1)我们在WILDER FACE数据集中手工标注了5个人脸Landmark,并...原创 2019-07-30 20:06:05 · 3744 阅读 · 0 评论 -
Triplet Loss 和 Center Loss详解和pytorch实现
最近在学习ReID相关的算法,为了提高ReID的性能通常会采用softmax loss 联合 Triplet Loss和Center Loss来提高算法的性能。本文对Triplet Loss和Cnetr Loss做一个总结,以简洁的方式帮助理解。Triplet Loss和Center Loss都是从人脸识别领域里面提出来的,后面在各种图像检索任务中被广泛应用。想要了解Triplet L...原创 2019-08-01 16:44:41 · 30418 阅读 · 3 评论