論文の概要: InterFace:Adjustable Angular Margin Inter-class Loss for Deep Face Recognition

• arxiv url: http://arxiv.org/abs/2210.02018v1
• Date: Wed, 5 Oct 2022 04:38:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 14:01:29.266790
• Title: InterFace:Adjustable Angular Margin Inter-class Loss for Deep Face Recognition
• Title（参考訳）: InterFace: ディープラーニングのための調整可能なAngular Marginクラス間損失
• Authors: Meng Sang, Jiaxuan Chen, Mengzhen Li, Pan Tan, Anning Pan, Shang Zhao, Yang Yang
• Abstract要約: モデルの識別能力を向上させるために,新しい損失関数InterFaceを提案する。 私たちのInterFaceは、13の主流ベンチマークのうち5つで最先端の顔認識性能を向上しました。
• 参考スコア（独自算出の注目度）: 7.158500469489626
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the field of face recognition, it is always a hot research topic to improve the loss solution to make the face features extracted by the network have greater discriminative power. Research works in recent years has improved the discriminative power of the face model by normalizing softmax to the cosine space step by step and then adding a fixed penalty margin to reduce the intra-class distance to increase the inter-class distance. Although a great deal of previous work has been done to optimize the boundary penalty to improve the discriminative power of the model, adding a fixed margin penalty to the depth feature and the corresponding weight is not consistent with the pattern of data in the real scenario. To address this issue, in this paper, we propose a novel loss function, InterFace, releasing the constraint of adding a margin penalty only between the depth feature and the corresponding weight to push the separability of classes by adding corresponding margin penalties between the depth features and all weights. To illustrate the advantages of InterFace over a fixed penalty margin, we explained geometrically and comparisons on a set of mainstream benchmarks. From a wider perspective, our InterFace has advanced the state-of-the-art face recognition performance on five out of thirteen mainstream benchmarks. All training codes, pre-trained models, and training logs, are publicly released \footnote{$https://github.com/iamsangmeng/InterFace$}.
• Abstract（参考訳）: 顔認識の分野では,ネットワークによって抽出された顔特徴の識別能力を高めるためのロスソリューションを改善することは,常にホットな研究課題である。 近年の研究により、ソフトマックスをコサイン空間に段階的に正規化し、クラス内距離を減少させクラス間距離を増加させることで、顔モデルの判別能力が向上している。 境界ペナルティを最適化してモデルの識別力を向上させるために、これまで多くの作業がなされてきたが、奥行き特性に一定のマージンペナルティを加え、それに対応する重量は実際のシナリオにおけるデータのパターンと一致しない。 本稿では,新しい損失関数であるインタフェースを提案し,深さ特徴とそれに対応する重みの間にマージンペナルティを追加する制約を解除し,深さ特徴と全ての重みの間に対応するマージンペナルティを付加することにより,クラスの分離性を押し上げる。 固定ペナルティマージンに対するインターフェースの利点を説明するために、主要なベンチマークセットで幾何学的および比較を行った。 より広い視点から見ると、InterFaceは13の主流ベンチマークのうち5つで最先端の顔認識性能を向上しました。 すべてのトレーニングコード、事前トレーニングされたモデル、トレーニングログは、公にリリースされた \footnote{$https://github.com/iamsangmeng/interface$} である。

関連論文リスト

• CLR-Face: Conditional Latent Refinement for Blind Face Restoration Using Score-Based Diffusion Models [57.9771859175664]
  最近の生成優先法は、有望なブラインドフェイス修復性能を示している。 入力に忠実なきめ細かい顔の詳細を生成することは、依然として難しい問題である。 本稿では,VQGANアーキテクチャの内部に拡散型プライマーを導入し,非破壊な潜伏埋め込みにおける分布の学習に重点を置いている。
  論文  参考訳（メタデータ） (2024-02-08T23:51:49Z)
• 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)
• BoundaryFace: A mining framework with noise label self-correction for Face Recognition [9.383955886871743]
  本稿では,サンプルの真理クラスセンターと最も近い負のクラスセンターの関係に着目した新たなマイニングフレームワークを提案する。 提案手法は,様々な顔認証ベンチマークにおいて,SOTA法より一貫して優れる。
  論文  参考訳（メタデータ） (2022-10-10T11:12:24Z)
• 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)
• Meta Balanced Network for Fair Face Recognition [51.813457201437195]
  我々は、データとアルゴリズムの両方の側面からバイアスを体系的に科学的に研究する。 本稿では,メタバランスネットワーク(MBN)と呼ばれるメタ学習アルゴリズムを提案する。 大規模な実験により、MBNは偏見を緩和し、顔認識において異なる肌のトーンを持つ人々に対してよりバランスの取れたパフォーマンスを学ぶことができた。
  論文  参考訳（メタデータ） (2022-05-13T10:25:44Z)
• 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)
• 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)
• Frequency-aware Discriminative Feature Learning Supervised by Single-Center Loss for Face Forgery Detection [89.43987367139724]
  顔の偽造検出は、コンピュータビジョンへの関心をますます高めている。 近年の業績は良好なものとなっているが、いまだに無視できない問題がある。 本稿では,新しい周波数認識型特徴学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-16T14:17:17Z)
• Partial FC: Training 10 Million Identities on a Single Machine [23.7030637489807]
  ソフトマックスに基づく損失関数の最適化目標と大規模IDの訓練の難しさを分析した。 実験では、ソフトマックスに基づく損失関数に対して10%のランダムサンプリングクラスしか持たないトレーニングでは、精度の低下は示さない。 また、モデル精度とトレーニング効率を考慮した、非常に効率的な分散サンプリングアルゴリズムを実装した。
  論文  参考訳（メタデータ） (2020-10-11T11:15:26Z)
• 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。