論文の概要: X2-Softmax: Margin Adaptive Loss Function for Face Recognition
- arxiv url: http://arxiv.org/abs/2312.05281v2
- Date: Tue, 19 Dec 2023 12:20:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 21:48:24.843061
- Title: X2-Softmax: Margin Adaptive Loss Function for Face Recognition
- Title（参考訳）: X2-Softmax:顔認識のためのMargin Adaptive Loss関数
- Authors: Jiamu Xu, Xiaoxiang Liu, Xinyuan Zhang, Yain-Whar Si, Xiaofan Li,
Zheng Shi, Ke Wang, Xueyuan Gong
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.497884034818003
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning the discriminative features of different faces is an important task
in face recognition. By extracting face features in neural networks, it becomes
easy to measure the similarity of different face images, which makes face
recognition possible. To enhance the neural network's face feature
separability, incorporating an angular margin during training is common
practice. State-of-the-art loss functions CosFace and ArcFace apply fixed
margins between weights of classes to enhance the inter-class separation of
face features. Since the distribution of samples in the training set is
imbalanced, similarities between different identities are unequal. Therefore,
using an inappropriately fixed angular margin may lead to the problem that the
model is difficult to converge or the face features are not discriminative
enough. It is more in line with our intuition that the margins are angular
adaptive, which could increase with the angles between classes growing. In this
paper, we propose a new angular margin loss named X2-Softmax. X2-Softmax loss
has adaptive angular margins, which provide the margin that increases with the
angle between different classes growing. The angular adaptive margin ensures
model flexibility and effectively improves the effect of face recognition. We
have trained the neural network with X2-Softmax loss on the MS1Mv3 dataset and
tested it on several evaluation benchmarks to demonstrate the effectiveness and
superiority of our loss function.
- Abstract（参考訳）: 異なる顔の識別特性を学ぶことは、顔認識において重要なタスクである。
ニューラルネットワークで顔の特徴を抽出することにより、異なる顔画像の類似性を測定しやすくなり、顔認識が可能となる。
トレーニング中に角マージンを取り入れて、ニューラルネットワークの顔特徴分離性を高めることが一般的である。
最先端の損失関数 cosface と arcface はクラスの重み間に固定マージンを適用し、顔の特徴のクラス間分離を強化する。
トレーニングセット内のサンプルの分布は不均衡であるため、異なるアイデンティティ間の類似性は不等である。
したがって、不適切な固定角マージンを使用することで、モデルが収束しにくいか、顔の特徴が十分に判別できないという問題を引き起こす可能性がある。
マージンが角適応型であることは,クラス間の角度が大きくなるにつれて増加するかも知れない,という直観と一致しています。
本稿では,X2-Softmaxという新しい角縁損失を提案する。
x2-softmaxの損失は適応角マージンを持ち、異なるクラス間の角度が大きくなるにつれてマージンが増加する。
角適応マージンはモデルの柔軟性を確保し、顔認識の効果を効果的に改善する。
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、損失関数の有効性と優位性を示すために、いくつかの評価ベンチマークでテストした。
関連論文リスト
- SymFace: Additional Facial Symmetry Loss for Deep Face Recognition [1.5612101323427952]
本研究では,顔認証問題における顔対称性の自然現象について検討する。
分割面の2つの出力埋め込みベクトルは、出力埋め込み空間において互いに近接して射影しなければならないことを示す。
この概念に触発されて、対称的な2対の分割面の埋め込みの相違に基づいて、ネットワークをペナルティ化する。
論文 参考訳（メタデータ） (2024-09-18T09:06:55Z) - InterFace:Adjustable Angular Margin Inter-class Loss for Deep Face
Recognition [7.158500469489626]
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。
論文 参考訳（メタデータ） (2022-10-05T04:38:29Z) - 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) - 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) - 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) - 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) - 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) - 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) - Multi-Margin based Decorrelation Learning for Heterogeneous Face
Recognition [90.26023388850771]
本稿では,超球面空間におけるデコリレーション表現を抽出するディープニューラルネットワーク手法を提案する。
提案するフレームワークは,不均一表現ネットワークとデコリレーション表現学習の2つのコンポーネントに分けることができる。
2つの難解な異種顔データベースに対する実験結果から,本手法は検証タスクと認識タスクの両方において優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2020-05-25T07:01:12Z)
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。