論文の概要: More Information Supervised Probabilistic Deep Face Embedding Learning

• arxiv url: http://arxiv.org/abs/2006.04518v2
• Date: Thu, 11 Jun 2020 02:25:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 01:18:54.843493
• Title: More Information Supervised Probabilistic Deep Face Embedding Learning
• Title（参考訳）: 確率的深部顔埋め込み学習のさらなる情報化
• Authors: Ying Huang, Shangfeng Qiu, Wenwei Zhang, Xianghui Luo, Jinzhuo Wang
• Abstract要約: 確率ビューにおいて、マージンに基づくソフトマックスの損失を分析する。 この発見を裏付けるために、Linear-Auto-TS-Encoder (LATSE) と呼ばれる自動エンコーダアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 10.52667214402514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Researches using margin based comparison loss demonstrate the effectiveness of penalizing the distance between face feature and their corresponding class centers. Despite their popularity and excellent performance, they do not explicitly encourage the generic embedding learning for an open set recognition problem. In this paper, we analyse margin based softmax loss in probability view. With this perspective, we propose two general principles: 1) monotonic decreasing and 2) margin probability penalty, for designing new margin loss functions. Unlike methods optimized with single comparison metric, we provide a new perspective to treat open set face recognition as a problem of information transmission. And the generalization capability for face embedding is gained with more clean information. An auto-encoder architecture called Linear-Auto-TS-Encoder(LATSE) is proposed to corroborate this finding. Extensive experiments on several benchmarks demonstrate that LATSE help face embedding to gain more generalization capability and it boosted the single model performance with open training dataset to more than $99\%$ on MegaFace test.
• Abstract（参考訳）: マージンに基づく比較損失を用いた研究は、顔の特徴とそれに対応するクラスセンターの距離をペナルティ化する効果を示した。 その人気と優れた性能にもかかわらず、オープンセット認識問題に対するジェネリック組込み学習を明示的に奨励していない。 本稿では,確率ビューにおけるマージンベースソフトマックス損失を分析した。 この観点から、我々は2つの原則を提案する。 1)単調減少、及び 2) 新しいマージン損失関数を設計するためのマージン確率のペナルティ。 単一比較基準で最適化した手法とは異なり、オープンセット顔認識を情報伝達問題として扱うための新しい視点を提供する。 そして、よりクリーンな情報で顔埋め込みの一般化能力を得る。 この発見を裏付けるために、Linear-Auto-TS-Encoder (LATSE) と呼ばれる自動エンコーダアーキテクチャを提案する。 いくつかのベンチマークでの広範囲な実験は、latseがより一般化する能力を得るのに役立つことを証明し、オープントレーニングデータセットによる単一モデルのパフォーマンスをmegafaceテストで99ドル以上に向上させた。

関連論文リスト

• InterFace:Adjustable Angular Margin Inter-class Loss for Deep Face Recognition [7.158500469489626]
  モデルの識別能力を向上させるために,新しい損失関数InterFaceを提案する。 私たちのInterFaceは、13の主流ベンチマークのうち5つで最先端の顔認識性能を向上しました。
  論文  参考訳（メタデータ） (2022-10-05T04:38:29Z)
• SubFace: Learning with Softmax Approximation for Face Recognition [3.262192371833866]
  SubFaceは、サブスペース機能を利用して顔認識の性能を向上するソフトマックス近似法である。 本手法がバニラCNNベースラインの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-08-24T12:31:08Z)
• Learning Towards the Largest Margins [83.7763875464011]
  損失関数は、クラスとサンプルの両方の最大のマージンを促進するべきである。 この原則化されたフレームワークは、既存のマージンベースの損失を理解し、解釈するための新しい視点を提供するだけでなく、新しいツールの設計を導くことができます。
  論文  参考訳（メタデータ） (2022-06-23T10:03:03Z)
• Meta Balanced Network for Fair Face Recognition [51.813457201437195]
  我々は、データとアルゴリズムの両方の側面からバイアスを体系的に科学的に研究する。 本稿では,メタバランスネットワーク(MBN)と呼ばれるメタ学習アルゴリズムを提案する。 大規模な実験により、MBNは偏見を緩和し、顔認識において異なる肌のトーンを持つ人々に対してよりバランスの取れたパフォーマンスを学ぶことができた。
  論文  参考訳（メタデータ） (2022-05-13T10:25:44Z)
• Federated Learning for Face Recognition with Gradient Correction [52.896286647898386]
  本稿では,顔認識のためのフェデレーション学習に取り組むためのフレームワークであるFedGCを紹介する。 我々は,FedGCが標準ソフトマックスと同様の損失関数を構成することを示す。
  論文  参考訳（メタデータ） (2021-12-14T09:19:29Z)
• ElasticFace: Elastic Margin Loss for Deep Face Recognition [6.865656740940772]
  差別的な顔の特徴を学習することは、高いパフォーマンスの顔認識モデルを構築する上で大きな役割を果たす。 分類損失関数,ソフトマックス損失に対する一定のペナルティマージンを組み込むための最近の最先端の顔認識ソリューションを提案する。 本稿では,クラス分離性向上のための弾力的マージン損失( Elastic margin loss, ElasticFace)を提案する。
  論文  参考訳（メタデータ） (2021-09-20T10:31:50Z)
• Frequency-aware Discriminative Feature Learning Supervised by Single-Center Loss for Face Forgery Detection [89.43987367139724]
  顔の偽造検出は、コンピュータビジョンへの関心をますます高めている。 近年の業績は良好なものとなっているが、いまだに無視できない問題がある。 本稿では,新しい周波数認識型特徴学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-16T14:17:17Z)
• Partial FC: Training 10 Million Identities on a Single Machine [23.7030637489807]
  ソフトマックスに基づく損失関数の最適化目標と大規模IDの訓練の難しさを分析した。 実験では、ソフトマックスに基づく損失関数に対して10%のランダムサンプリングクラスしか持たないトレーニングでは、精度の低下は示さない。 また、モデル精度とトレーニング効率を考慮した、非常に効率的な分散サンプリングアルゴリズムを実装した。
  論文  参考訳（メタデータ） (2020-10-11T11:15:26Z)
• Loss Function Search for Face Recognition [75.79325080027908]
  最適な候補を自動的に獲得する報酬誘導探索法を開発した。 種々の顔認証ベンチマークの実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-07-10T03:40:10Z)
• Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
  オープンセット認識の問題点を考察する。 新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-05-27T23:49:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。