論文の概要: SphereFace2: Binary Classification is All You Need for Deep Face Recognition

• arxiv url: http://arxiv.org/abs/2108.01513v1
• Date: Tue, 3 Aug 2021 13:58:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-04 14:10:43.711877
• Title: SphereFace2: Binary Classification is All You Need for Deep Face Recognition
• Title（参考訳）: sphereface2: 顔認識に必要なのはバイナリ分類のみ
• Authors: Yandong Wen, Weiyang Liu, Adrian Weller, Bhiksha Raj, Rita Singh
• Abstract要約: 最先端のディープフェイス認識手法は、ソフトマックスベースのマルチクラス分類フレームワークで主に訓練されている。 本稿では,SphereFace2と呼ばれる新しいバイナリ分類学習フレームワークを提案する。 SphereFace2は、最先端のディープ・フェイス認識手法よりも一貫して優れていることを示す。
• 参考スコア（独自算出の注目度）: 57.07058009281208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State-of-the-art deep face recognition methods are mostly trained with a softmax-based multi-class classification framework. Despite being popular and effective, these methods still have a few shortcomings that limit empirical performance. In this paper, we first identify the discrepancy between training and evaluation in the existing multi-class classification framework and then discuss the potential limitations caused by the "competitive" nature of softmax normalization. Motivated by these limitations, we propose a novel binary classification training framework, termed SphereFace2. In contrast to existing methods, SphereFace2 circumvents the softmax normalization, as well as the corresponding closed-set assumption. This effectively bridges the gap between training and evaluation, enabling the representations to be improved individually by each binary classification task. Besides designing a specific well-performing loss function, we summarize a few general principles for this "one-vs-all" binary classification framework so that it can outperform current competitive methods. We conduct comprehensive experiments on popular benchmarks to demonstrate that SphereFace2 can consistently outperform current state-of-the-art deep face recognition methods.
• Abstract（参考訳）: 最先端のディープフェイス認識手法は、ソフトマックスベースのマルチクラス分類フレームワークで主に訓練されている。 人気があり効果があるにもかかわらず、これらの手法には経験的性能を制限するいくつかの欠点がある。 本稿では,まず,既存のマルチクラス分類フレームワークにおける学習と評価の相違を同定し,ソフトマックス正規化の「競合的」性質に起因する潜在的な限界について考察する。 これらの制約により,SphereFace2と呼ばれる新しいバイナリ分類学習フレームワークを提案する。 既存の方法とは対照的に、SphereFace2はソフトマックス正規化と対応する閉集合仮定を回避している。 これにより、トレーニングと評価のギャップを効果的に埋め、各バイナリ分類タスクによって表現を個別に改善することができる。 特定のパフォーマンスのよい損失関数を設計するだけでなく、この"one-vs-all"バイナリ分類フレームワークの一般的な原則をいくつか要約して、現在の競合メソッドよりも優れています。 sphereface2が最先端のディープ顔認識手法を一貫して上回ることを証明するため,人気のあるベンチマークを総合的に実験した。

関連論文リスト

• Adversarial Training Should Be Cast as a Non-Zero-Sum Game [121.95628660889628]
  対人訓練の2つのプレイヤーゼロサムパラダイムは、十分な強靭性を発揮できていない。 敵のトレーニングアルゴリズムでよく使われるサロゲートベースの緩和は、ロバスト性に関するすべての保証を無効にすることを示す。 対人訓練の新たな非ゼロサム二段階の定式化は、一致し、場合によっては最先端の攻撃よりも優れたフレームワークをもたらす。
  論文  参考訳（メタデータ） (2023-06-19T16:00:48Z)
• Maximally Compact and Separated Features with Regular Polytope Networks [22.376196701232388]
  本稿では, CNN から抽出する方法として, クラス間分離性とクラス間圧縮性の特性について述べる。 我々は、よく知られた citewen2016discriminative や他の類似したアプローチで得られる特徴と類似した特徴を得る。
  論文  参考訳（メタデータ） (2023-01-15T15:20:57Z)
• Hierarchical classification at multiple operating points [1.520694326234112]
  階層内の各クラスにスコアを割り当てる任意のメソッドに対して,演算特性曲線を生成する効率的なアルゴリズムを提案する。 2つの新しい損失関数を提案し、構造的ヒンジ損失のソフトな変形が平坦なベースラインを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2022-10-19T23:36:16Z)
• Few-shot Open-set Recognition Using Background as Unknowns [58.04165813493666]
  未使用のオープンセット認識は、見知らぬクラスの限られた訓練データしか持たない、目に見える画像と新しい画像の両方を分類することを目的としている。 提案手法は,複数のベースラインより優れるだけでなく,3つのベンチマークで新たな結果が得られた。
  論文  参考訳（メタデータ） (2022-07-19T04:19:29Z)
• 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)
• Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
  2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。 まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。 第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2021-01-20T11:48:12Z)
• ClusterFace: Joint Clustering and Classification for Set-Based Face Recognition [0.0]
  本稿では,難易度の高い方法で深部顔の関連を学習する共同クラスタリングと分類手法を提案する。 提案手法の理論的根拠は,信頼性の高いクラスタリング結果によって特徴空間の分布の洞察が得られ,次に示す分類を導出できるということである。
  論文  参考訳（メタデータ） (2020-11-26T15:55:27Z)
• SOAR: Simultaneous Or of And Rules for Classification of Positive & Negative Classes [0.0]
  本稿では,実世界の雑音の多い二項分類における固有曖昧性を明確に把握し,定量化する新奇かつ完全な分類法を提案する。 提案手法は,確率モデルのよりきめ細かい定式化につながり,シミュレート・アニーリングに基づく最適化により,同等の手法と競合する分類性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-08-25T20:00:27Z)
• 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。