論文の概要: SubFace: Learning with Softmax Approximation for Face Recognition

• arxiv url: http://arxiv.org/abs/2208.11483v1
• Date: Wed, 24 Aug 2022 12:31:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-25 12:51:56.107720
• Title: SubFace: Learning with Softmax Approximation for Face Recognition
• Title（参考訳）: SubFace: 顔認識のためのソフトマックス近似による学習
• Authors: Hongwei Xu, Suncheng Xiang, Dahong Qian
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.262192371833866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The softmax-based loss functions and its variants (e.g., cosface, sphereface, and arcface) significantly improve the face recognition performance in wild unconstrained scenes. A common practice of these algorithms is to perform optimizations on the multiplication between the embedding features and the linear transformation matrix. However in most cases, the dimension of embedding features is given based on traditional design experience, and there is less-studied on improving performance using the feature itself when giving a fixed size. To address this challenge, this paper presents a softmax approximation method called SubFace, which employs the subspace feature to promote the performance of face recognition. Specifically, we dynamically select the non-overlapping subspace features in each batch during training, and then use the subspace features to approximate full-feature among softmax-based loss, so the discriminability of the deep model can be significantly enhanced for face recognition. Comprehensive experiments conducted on benchmark datasets demonstrate that our method can significantly improve the performance of vanilla CNN baseline, which strongly proves the effectiveness of subspace strategy with the margin-based loss.
• Abstract（参考訳）: softmaxベースの損失関数とその変種(例えば、cosface、sphereface、arcface)は、野生の無拘束シーンの顔認識性能を大幅に改善した。 これらのアルゴリズムの一般的な実践は、埋め込み特徴と線形変換行列との乗算を最適化することである。 しかし、たいていの場合、組み込み機能の次元は伝統的なデザイン経験に基づいて与えられ、固定されたサイズを与える際に機能自体のパフォーマンスを改善することにはあまり関心がない。 この課題に対処するために,サブスペース機能を用いて顔認識性能を向上させるSubFaceというソフトマックス近似手法を提案する。 具体的には、トレーニング中の各バッチにおける非重複部分空間の特徴を動的に選択し、そのサブスペース特徴を用いてソフトマックスベース損失の完全特徴を近似することにより、ディープモデルの識別性を大幅に向上させることができる。 ベンチマークデータセットを用いた総合的な実験により,バニラCNNベースラインの性能が大幅に向上し,マージンベース損失による部分空間戦略の有効性が強く証明された。

関連論文リスト

• X2-Softmax: Margin Adaptive Loss Function for Face Recognition [6.497884034818003]
  我々は,X2-Softmaxという新しい角マージン損失を提案する。 X2-Softmax損失は適応的な角マージンを持ち、異なるクラス間の角度が大きくなるにつれて増加するマージンを提供する。 我々は、MS1Mv3データセット上でX2-Softmax損失でニューラルネットワークをトレーニングした。
  論文  参考訳（メタデータ） (2023-12-08T10:27:47Z)
• Spectral Aware Softmax for Visible-Infrared Person Re-Identification [123.69049942659285]
  Visible-infrared person re-identification (VI-ReID) は、異なるモードの歩行者画像とマッチングすることを目的としている。 既存の手法は依然として、単一モダリティ分類タスクで広く使われているソフトマックス損失訓練パラダイムに従っている。 そこで本研究では, スペクトル対応ソフトマックス(SA-Softmax)の損失について提案する。
  論文  参考訳（メタデータ） (2023-02-03T02:57:18Z)
• 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)
• 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)
• 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)
• Progressive Spatio-Temporal Bilinear Network with Monte Carlo Dropout for Landmark-based Facial Expression Recognition with Uncertainty Estimation [93.73198973454944]
  提案手法の性能は, 広く使用されている3つのデータセットで評価される。 ビデオベースの最先端の手法に匹敵するが、複雑さははるかに少ない。
  論文  参考訳（メタデータ） (2021-06-08T13:40:30Z)
• Unsupervised Learning Facial Parameter Regressor for Action Unit Intensity Estimation via Differentiable Renderer [51.926868759681014]
  骨駆動型顔モデル(BDFM)に基づいて,異なる視点で顔パラメータを予測する枠組みを提案する。 提案するフレームワークは,特徴抽出器,ジェネレータ,顔パラメータ回帰器から構成される。
  論文  参考訳（メタデータ） (2020-08-20T09:49:13Z)
• 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)
• More Information Supervised Probabilistic Deep Face Embedding Learning [10.52667214402514]
  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。
  論文  参考訳（メタデータ） (2020-06-08T12:33:32Z)

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。