論文の概要: IntraLoss: Further Margin via Gradient-Enhancing Term for Deep Face Recognition

• arxiv url: http://arxiv.org/abs/2107.03352v1
• Date: Wed, 7 Jul 2021 16:53:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-08 14:00:53.488432
• Title: IntraLoss: Further Margin via Gradient-Enhancing Term for Deep Face Recognition
• Title（参考訳）: IntraLoss:Deep Face RecognitionのためのGradient-Enhancing Term
• Authors: Chengzhi Jiang, Yanzhou Su, Wen Wang, Haiwei Bai, Haijun Liu, Jian Cheng
• Abstract要約: 既存の分類に基づく顔認識手法は目覚ましい進歩を遂げた。 粗悪な特徴分布は、マージンスキームによるパフォーマンス改善を排除します。 本稿では,クラス内の分布特性に着目した勾配強調項を提案する。
• 参考スコア（独自算出の注目度）: 14.562043494026849
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing classification-based face recognition methods have achieved remarkable progress, introducing large margin into hypersphere manifold to learn discriminative facial representations. However, the feature distribution is ignored. Poor feature distribution will wipe out the performance improvement brought about by margin scheme. Recent studies focus on the unbalanced inter-class distribution and form a equidistributed feature representations by penalizing the angle between identity and its nearest neighbor. But the problem is more than that, we also found the anisotropy of intra-class distribution. In this paper, we propose the `gradient-enhancing term' that concentrates on the distribution characteristics within the class. This method, named IntraLoss, explicitly performs gradient enhancement in the anisotropic region so that the intra-class distribution continues to shrink, resulting in isotropic and more compact intra-class distribution and further margin between identities. The experimental results on LFW, YTF and CFP-FP show that our outperforms state-of-the-art methods by gradient enhancement, demonstrating the superiority of our method. In addition, our method has intuitive geometric interpretation and can be easily combined with existing methods to solve the previously ignored problems.
• Abstract（参考訳）: 既存の分類に基づく顔認識手法は画期的な進歩を遂げ、識別的顔表現を学習するために超球面多様体に大きなマージンを導入した。 しかし、機能分布は無視される。 粗悪な特徴分布は、マージンスキームによるパフォーマンス改善を排除します。 最近の研究では、クラス間のバランスのとれない分布に注目し、アイデンティティと近辺との角度をペナライズすることで同分布の特徴表現を形成する。 しかし、問題はそれ以上であり、クラス内分布の異方性も見いだされた。 本稿では,クラス内の分布特性に着目した「段階的エンハンシング項」を提案する。 この手法は「intraloss」と呼ばれ、クラス内分布が縮小し続けるように、異方性領域での勾配強化を明示的に行っており、結果として等方性およびよりコンパクトなクラス内分布と、さらなるアイデンティティ間の余裕をもたらす。 The experimental results on LFW, YTF and CFP-FP showed that our outperforms state-of-the-art method by gradient enhancement, showed the superiority of our method。 さらに,本手法は直観的幾何学的解釈をもち,既存の手法と組み合わせて従来無視されていた問題を解くことができる。

関連論文リスト

• A Learning Paradigm for Interpretable Gradients [9.074325843851726]
  本稿では,解釈可能性向上のための新たな学習手法を提案する。 得られた勾配は定性的にノイズが少なく、異なるネットワークの解釈可能性特性を定量的に改善する。
  論文  参考訳（メタデータ） (2024-04-23T13:32:29Z)
• Adaptive Federated Learning Over the Air [108.62635460744109]
  オーバー・ザ・エア・モデル・トレーニングの枠組みの中で,適応勾配法,特にAdaGradとAdamの連合バージョンを提案する。 解析の結果,AdaGrad に基づくトレーニングアルゴリズムは $mathcalO(ln(T) / T 1 - frac1alpha の速度で定常点に収束することがわかった。
  論文  参考訳（メタデータ） (2024-03-11T09:10:37Z)
• Towards the Uncharted: Density-Descending Feature Perturbation for Semi-supervised Semantic Segmentation [51.66997548477913]
  本稿では,DDFP(Dedentity-Descending Feature Perturbation)という特徴レベルの一貫性学習フレームワークを提案する。 半教師付き学習における低密度分離仮定にインスパイアされた私たちの重要な洞察は、特徴密度はセグメンテーション分類器が探索する最も有望な方向の光を放つことができるということである。 提案したDFFPは、機能レベルの摂動に関する他の設計よりも優れており、Pascal VOCとCityscapesのデータセット上でのアートパフォーマンスの状態を示している。
  論文  参考訳（メタデータ） (2024-03-11T06:59:05Z)
• Clip21: Error Feedback for Gradient Clipping [8.979288425347702]
  我々はClip21を設計し、分散メソッドに対する最初の有効で実用的なフィードバックメカニズムを設計する。 提案手法は, 競合手法よりも高速に収束する。
  論文  参考訳（メタデータ） (2023-05-30T10:41:42Z)
• Generalized Inter-class Loss for Gait Recognition [11.15855312510806]
  歩行認識は、遠隔操作で非協調的に行うことのできるユニークな生体計測技術である。 それまでの歩行作業は、クラス間の分散を制限することの重要性を無視しながら、クラス内の分散を最小化することに焦点を当てていた。 サンプルレベルの特徴分布とクラスレベルの特徴分布の両方からクラス間の分散を解消する一般化されたクラス間損失を提案する。
  論文  参考訳（メタデータ） (2022-10-13T06:44:53Z)
• Combating Mode Collapse in GANs via Manifold Entropy Estimation [70.06639443446545]
  Generative Adversarial Networks (GAN) は、様々なタスクやアプリケーションにおいて魅力的な結果を示している。 GANのモード崩壊問題に対処するための新しいトレーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-08-25T12:33:31Z)
• Real-centric Consistency Learning for Deepfake Detection [8.313889744011933]
  両クラスの不変表現を学習することで深度検出問題に取り組む。 本稿では,潜在世代関連特徴を抽出するための,意味論的ペアリング手法を提案する。 特徴レベルでは、表現空間における自然面の中心に基づいて、潜在的な限界特徴をシミュレートする強正のマイニングと合成法を設計する。
  論文  参考訳（メタデータ） (2022-05-15T07:01:28Z)
• Towards the Semantic Weak Generalization Problem in Generative Zero-Shot Learning: Ante-hoc and Post-hoc [89.68803484284408]
  生成ゼロショット学習(ZSL)の性能上限を制限した未探索要素を簡易かつ効果的に削減する戦略を提案する。 まず、意味的一般化を正式に定義し、その後、意味的弱一般化問題を減らそうとするアプローチを検討する。 アンテホック相では、ジェネレータのセマンティック入力を増強し、ジェネレータの適合ターゲットを緩和する。
  論文  参考訳（メタデータ） (2022-04-24T13:54:42Z)
• KappaFace: Adaptive Additive Angular Margin Loss for Deep Face Recognition [22.553018305072925]
  我々は,クラス難易度と不均衡度に基づいて相対的重要性を変調する,KappaFaceと呼ばれる新しい適応戦略を導入する。 一般的な顔のベンチマーク実験により,提案手法は最先端技術よりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2022-01-19T03:05:24Z)
• Manifold Learning Benefits GANs [59.30818650649828]
  我々は、識別器に多様体学習ステップを組み込むことにより、生成的敵ネットワークを改善する。 我々の設計では、多様体学習と符号化のステップは判別器の層に絡み合っている。 近年の最先端のベースラインに比較して,大幅な改善が見られた。
  論文  参考訳（メタデータ） (2021-12-23T14:59:05Z)
• Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
  クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。 プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。 クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-03-15T15:23:10Z)

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。