論文の概要: GB-CosFace: Rethinking Softmax-based Face Recognition from the Perspective of Open Set Classification

• arxiv url: http://arxiv.org/abs/2111.11186v1
• Date: Mon, 22 Nov 2021 13:24:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-23 16:13:13.484749
• Title: GB-CosFace: Rethinking Softmax-based Face Recognition from the Perspective of Open Set Classification
• Title（参考訳）: gb-cosface:オープンセット分類の観点からのsoftmaxに基づく顔認識再考
• Authors: Lizhe Liu, Mingqiang Chen, Xiaohao Chen, Siyu Zhu, Ping Tan
• Abstract要約: 最先端の顔認識手法は、一般的にマルチクラス化パイプラインを採用し、最適化のためにソフトマックスベースの損失を採用する。 本稿では,グローバル境界CosFace(GB-CosFace)と呼ばれる新たな損失を導出する。 我々のGB-CosFaceは、IJB-CベンチマークでTAR@FAR=1e-6, 1e-5, 1e-4で1.58%、0.57%、0.28%を改善しています。
• 参考スコア（独自算出の注目度）: 37.113250628928384
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State-of-the-art face recognition methods typically take the multi-classification pipeline and adopt the softmax-based loss for optimization. Although these methods have achieved great success, the softmax-based loss has its limitation from the perspective of open set classification: the multi-classification objective in the training phase does not strictly match the objective of open set classification testing. In this paper, we derive a new loss named global boundary CosFace (GB-CosFace). Our GB-CosFace introduces an adaptive global boundary to determine whether two face samples belong to the same identity so that the optimization objective is aligned with the testing process from the perspective of open set classification. Meanwhile, since the loss formulation is derived from the softmax-based loss, our GB-CosFace retains the excellent properties of the softmax-based loss, and CosFace is proved to be a special case of the proposed loss. We analyze and explain the proposed GB-CosFace geometrically. Comprehensive experiments on multiple face recognition benchmarks indicate that the proposed GB-CosFace outperforms current state-of-the-art face recognition losses in mainstream face recognition tasks. Compared to CosFace, our GB-CosFace improves 1.58%, 0.57%, and 0.28% at TAR@FAR=1e-6, 1e-5, 1e-4 on IJB-C benchmark.
• Abstract（参考訳）: 最先端の顔認識手法は通常、マルチクラス化パイプラインを採用し、最適化のためにsoftmaxベースの損失を採用する。 これらの手法は大きな成功を収めているが、ソフトマックスベースの損失はオープンセット分類の観点からは限界があり、トレーニングフェーズにおける多分類の目標はオープンセット分類テストの目的と厳密に一致しない。 本稿では,グローバル境界CosFace(GB-CosFace)と呼ばれる新たな損失を導出する。 我々のGB-CosFaceは、2つの顔サンプルが同一のアイデンティティに属しているかどうかを決定するための適応的グローバル境界を導入し、オープンセット分類の観点から、最適化目標がテストプロセスと整合するようにした。 一方、損失定式化はソフトマックスベース損失から導かれるため、GB-CosFaceはソフトマックスベース損失の優れた特性を保ち、CosFaceは提案された損失の特別な場合であることが証明された。 提案するgb-cosfaceを幾何学的に解析,説明する。 複数の顔認識ベンチマークにおける包括的実験により,提案するgb-cosfaceは,主流の顔認識タスクにおける最先端の顔認識損失を上回っていることが示された。 CosFaceと比較して、GB-CosFaceは、IJB-CベンチマークでTAR@FAR=1e-6, 1e-5, 1e-4で1.58%、0.57%、0.28%改善しています。

関連論文リスト

• UniTSFace: Unified Threshold Integrated Sample-to-Sample Loss for Face Recognition [35.66000285310775]
  サンプル・サンプル・サンプル・ベース・ロス(USS損失)の統合しきい値を提案する。 USS損失は、正の対と負の対を区別するための明確な統一されたしきい値である。 また,サンプル対サンプルベースのソフトマックスとBCE損失を導出し,それらの関係について考察した。
  論文  参考訳（メタデータ） (2023-11-04T23:00:40Z)
• 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)
• Blind Face Restoration: Benchmark Datasets and a Baseline Model [63.053331687284064]
  Blind Face Restoration (BFR) は、対応する低品質 (LQ) 入力から高品質 (HQ) の顔画像を構築することを目的としている。 EDFace-Celeb-1M (BFR128) と EDFace-Celeb-150K (BFR512) と呼ばれる2つのブラインドフェイス復元ベンチマークデータセットを最初に合成する。 最先端の手法は、ブラー、ノイズ、低解像度、JPEG圧縮アーティファクト、それらの組み合わせ(完全な劣化)の5つの設定でベンチマークされる。
  論文  参考訳（メタデータ） (2022-06-08T06:34:24Z)
• SFace: Sigmoid-Constrained Hypersphere Loss for Robust Face Recognition [74.13631562652836]
  SFace(Sigmoid-Constrained hypersphere loss)と呼ばれる新しい損失関数を提案する。 SFaceは2つのシグモイド勾配再スケール関数によってそれぞれ制御される超球面多様体にクラス内およびクラス間制約を課す。 クラス内距離を減らし、ラベルノイズへの過度な適合を防ぎ、より堅牢なディープ顔認識モデルに寄与する。
  論文  参考訳（メタデータ） (2022-05-24T11:54:15Z)
• AdaFace: Quality Adaptive Margin for Face Recognition [56.99208144386127]
  本稿では、損失関数、すなわち画像品質における適応性の別の側面を紹介する。 そこで本稿では,画像品質に基づいて異なる難易度を示す新たな損失関数を提案する。 提案手法は,4つのデータセット上でのSoTA(State-of-the-art)による顔認識性能を向上させる。
  論文  参考訳（メタデータ） (2022-04-03T01:23:41Z)
• 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)
• SphereFace2: Binary Classification is All You Need for Deep Face Recognition [57.07058009281208]
  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。
  論文  参考訳（メタデータ） (2021-08-03T13:58:45Z)

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。