論文の概要: SFace: Sigmoid-Constrained Hypersphere Loss for Robust Face Recognition

• arxiv url: http://arxiv.org/abs/2205.12010v1
• Date: Tue, 24 May 2022 11:54:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-25 14:25:35.023417
• Title: SFace: Sigmoid-Constrained Hypersphere Loss for Robust Face Recognition
• Title（参考訳）: SFace:ロバスト顔認識のためのSigmoid-Constrained Hypersphere Loss
• Authors: Yaoyao Zhong, Weihong Deng, Jiani Hu, Dongyue Zhao, Xian Li, Dongchao Wen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 74.13631562652836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep face recognition has achieved great success due to large-scale training databases and rapidly developing loss functions. The existing algorithms devote to realizing an ideal idea: minimizing the intra-class distance and maximizing the inter-class distance. However, they may neglect that there are also low quality training images which should not be optimized in this strict way. Considering the imperfection of training databases, we propose that intra-class and inter-class objectives can be optimized in a moderate way to mitigate overfitting problem, and further propose a novel loss function, named sigmoid-constrained hypersphere loss (SFace). Specifically, SFace imposes intra-class and inter-class constraints on a hypersphere manifold, which are controlled by two sigmoid gradient re-scale functions respectively. The sigmoid curves precisely re-scale the intra-class and inter-class gradients so that training samples can be optimized to some degree. Therefore, SFace can make a better balance between decreasing the intra-class distances for clean examples and preventing overfitting to the label noise, and contributes more robust deep face recognition models. Extensive experiments of models trained on CASIA-WebFace, VGGFace2, and MS-Celeb-1M databases, and evaluated on several face recognition benchmarks, such as LFW, MegaFace and IJB-C databases, have demonstrated the superiority of SFace.
• Abstract（参考訳）: 大規模トレーニングデータベースと急速に発達する損失関数により、ディープフェイス認識は大きな成功を収めた。 既存のアルゴリズムは、クラス内距離を最小化し、クラス間距離を最大化するという理想的なアイデアの実現に尽力した。 しかし、この厳格な方法で最適化すべきでない低品質のトレーニングイメージがあることを無視する可能性もある。 学習データベースの不完全性を考慮すると,クラス内およびクラス間目標を適度に最適化して過剰フィッティング問題を緩和し,さらにsgmoid-constrained hypersphere loss (sface) と呼ばれる新しい損失関数を提案する。 具体的には、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。 シグモノイド曲線はクラス内およびクラス間勾配を正確に再スケールし、トレーニングサンプルをある程度最適化することができる。 これにより、クリーンなサンプルのためのクラス内距離の削減とラベルノイズへの過剰フィット防止とのバランスが向上し、より堅牢な深層顔認識モデルに寄与する。 CASIA-WebFace、VGGFace2、MS-Celeb-1Mデータベースで訓練され、LFW、MegaFace、IJB-Cデータベースなどの顔認識ベンチマークで評価されたモデルの大規模な実験は、SFaceの優位性を実証した。

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)
• 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)
• 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)
• SphereFace Revived: Unifying Hyperspherical Face Recognition [57.07058009281208]
  我々は,超球面顔認識において,大きな角マージンを理解するための統一的な枠組みを導入する。 このフレームワークでは,SphereFace-Rという,トレーニングの安定性が大幅に向上した改良版を提案する。 我々は、SphereFace-Rが最先端の手法よりも一貫して優れているか、競合していることを示す。
  論文  参考訳（メタデータ） (2021-09-12T17:07:54Z)
• Multi-Agent Semi-Siamese Training for Long-tail and Shallow Face Learning [54.13876727413492]
  多くの現実世界の顔認識シナリオでは、トレーニングデータセットの深さは浅いため、IDごとに2つの顔画像しか利用できません。 非均一なサンプルの増加により、このような問題はより一般的なケース、すなわち長い尾の顔学習に変換される。 これらの問題に対処するために,マルチエージェントセミシアントレーニング(masst)という高度なソリューションを導入する。 広範な実験と比較は、長い尾と浅い顔学習のためのMASSTの利点を示しています。
  論文  参考訳（メタデータ） (2021-05-10T04:57:32Z)
• MultiFace: A Generic Training Mechanism for Boosting Face Recognition Performance [26.207302802393684]
  MultiFaceと呼ばれるシンプルで効率的なトレーニングメカニズムを提案します。 元の高次元特徴を低次元特徴のアンサンブルによって近似する。 これはクラスタリング効果を通じてFRモデルに優れた解釈可能性の利点をもたらす。
  論文  参考訳（メタデータ） (2021-01-25T05:18:51Z)
• Semi-Siamese Training for Shallow Face Learning [78.7386209619276]
  セミ・シームズ・トレーニング(SST)という新しいトレーニング手法を導入する。 一対のセミ・シームズネットワークが前方伝播構造を構成し、トレーニング損失を更新ギャラリーキューで計算する。 提案手法は外部依存を伴わずに開発されており,既存の損失関数やネットワークアーキテクチャと柔軟に統合することができる。
  論文  参考訳（メタデータ） (2020-07-16T15:20:04Z)

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。