博客

论文：SphereFace：https://arxiv.org/abs/1704.08063 SphereFace在MegaFace数据集上识别率在2017年排名第一，用的A-Softmax Loss有着清晰的几何定义，能在比较小的数据集上达到不错的效果。 首先，需要先科普一下在训练和测试人脸识别分类器的时候经常被提到的Open-set 和Close-set。Figure 1是一个直观的展示。 close-set，就是所有的测试集都在训练集中出现过。所以预测结果是图片的ID，如果想要测试两张图片是否是同一个

人脸识别中的一个常用概念是全脸/中脸/半脸 下面讲一下区别 目前DeepFaceLab拥有三种不同类型的脸部模式，H64和H128是半脸(half face)模型，DF LIAEF128 Quick96是全脸(full face)模型，SAE SAEHD拥有半脸 (half face) 和中脸 (medium face) 和全脸(full face)三种模式，本篇文章就说一说这些“脸”的区别。 半脸模型： 缺点：面积较小，没有额头脸颊和下巴难于正确遮盖，若两人差别太大就难有好的效果。比如src有络腮胡，但

转载： https://www.jiqizhixin.com/articles/2019-04-17-20 PFLD算法，目前主流数据集上达到最高精度、ARM安卓机140fps，模型大小仅2.1M! 研究背景 人脸关键点检测，在很多人脸相关的任务中，属于基础模块，很关键。比如人脸识别、人脸验证、人脸编辑等等。想做人脸相关的更深层次的应用，人脸关键点是绕不过去的点。正是因为它是一个基础模块，所以对速度很敏感，不能太耗时，否则影响了系统整体的效率。所以对人脸关键点检测的要求是，又准又快。 研究问题 人脸关键点

作者： 帝国理工，伦敦米德尔塞克斯大学，InsightFace paper： https://arxiv.org/pdf/1905.00641.pdf github： https://github.com/deepinsight/insightface/tree/master/RetinaFace 1.摘要 摘要： 虽然在未受控制的人脸检测方面取得了巨大进步，但野外准确有效的面部定位仍然是一个开放的挑战。这篇文章提出了一个强大的单阶段人脸检测器，名为RetinaFace，它利用联合监督和自我监督的多任务学习

最近几年网络效果的提升除了改变网络结构外，还有一群人在研究损失层的改进，这篇博文要介绍的就是较为新颖的center loss。center loss来自ECCV2016的一篇论文：A Discriminative Feature Learning Approach for Deep Face Recognition。 论文链接：http://ydwen.github.io/papers/WenEC...