論文の概要: LH2Face: Loss function for Hard High-quality Face

• arxiv url: http://arxiv.org/abs/2506.23555v1
• Date: Mon, 30 Jun 2025 06:59:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.946538
• Title: LH2Face: Loss function for Hard High-quality Face
• Title（参考訳）: LH2Face: ハードな高品質な顔のためのロス関数
• Authors: Fan Xie, Pan Cao,
• Abstract要約: ほとんどの顔認識アルゴリズムは、ソフトマックス分類とコサイン類似性に基づいている。 ハードハイクオリティフェイス(LH2Face)のためのロス関数という新しいロス関数の提案 我々のLH2Faceは、ハードな高品質の顔データセットのスキームよりも優れており、IJB-Bデータセットの49.39%の精度を実現している。
• 参考スコア（独自算出の注目度）: 0.7392714450026076
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In current practical face authentication systems, most face recognition (FR) algorithms are based on cosine similarity with softmax classification. Despite its reliable classification performance, this method struggles with hard samples. A popular strategy to improve FR performance is incorporating angular or cosine margins. However, it does not take face quality or recognition hardness into account, simply increasing the margin value and thus causing an overly uniform training strategy. To address this problem, a novel loss function is proposed, named Loss function for Hard High-quality Face (LH2Face). Firstly, a similarity measure based on the von Mises-Fisher (vMF) distribution is stated, specifically focusing on the logarithm of the Probability Density Function (PDF), which represents the distance between a probability distribution and a vector. Then, an adaptive margin-based multi-classification method using softmax, called the Uncertainty-Aware Margin Function, is implemented in the article. Furthermore, proxy-based loss functions are used to apply extra constraints between the proxy and sample to optimize their representation space distribution. Finally, a renderer is constructed that optimizes FR through face reconstruction and vice versa. Our LH2Face is superior to similiar schemes on hard high-quality face datasets, achieving 49.39% accuracy on the IJB-B dataset, which surpasses the second-place method by 2.37%.
• Abstract（参考訳）: 現在の実用的な顔認証システムでは、ほとんどの顔認識(FR)アルゴリズムはソフトマックス分類とコサイン類似性に基づいている。 信頼性の高い分類性能にもかかわらず、この手法はハードサンプルと競合する。 FR性能を改善するための一般的な戦略は、角マージンやコサインマージンを取り入れることである。 しかし、顔の品質や認識の難しさを考慮に入れず、単にマージンを増大させ、結果として過度に均一なトレーニング戦略がもたらされる。 この問題に対処するために,LH2Face (Loss function for Hard High-quality Face) という新しいロス関数を提案する。 まず、von Mises-Fisher (vMF) 分布に基づく類似度尺度を述べ、特に確率分布とベクトルの間の距離を表す確率密度関数 (PDF) の対数に着目した。 そこで本論文では,不確実性認識マージン関数と呼ばれるソフトマックスを用いた適応的マージンに基づくマルチクラス化手法を実装した。 さらに、プロキシベースの損失関数を使用して、プロキシとサンプルの間に余分な制約を適用し、表現空間の分散を最適化する。 最後に、顔再構成によりFRを最適化するレンダラーを構築し、その逆を行う。 我々のLH2Faceは、ハードな高品質な顔データセットのシリアルなスキームよりも優れており、IJB-Bデータセットで49.39%の精度を実現している。

関連論文リスト

• PETALface: Parameter Efficient Transfer Learning for Low-resolution Face Recognition [54.642714288448744]
  PETALfaceは、PEFTのパワーを低解像度の顔認識に活用した最初の作品である。 バックボーンに2つの低ランク適応モジュールを導入し、入力画像の品質に基づいて重みを調整し、ギャラリーとプローブ画像の品質の違いを考慮に入れた。 実験により,提案手法は高分解能・混合品質データセットの性能を保ちながら,低分解能データセットの完全な微調整よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-12-10T18:59:45Z)
• 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)
• Sample and Computation Redistribution for Efficient Face Detection [137.19388513633484]
  トレーニングデータサンプリングと計算分布戦略は、効率的で正確な顔検出の鍵です。 scrfdf34は、最高の競合製品であるTinaFaceを3.86%(ハードセットでのAP)で上回り、GPU上でVGA解像度画像でmph3$times$より高速です。
  論文  参考訳（メタデータ） (2021-05-10T23:51:14Z)
• Reliable Probabilistic Face Embeddings in the Wild [5.094757968178221]
  PFE(probabilistic Face Embeddings)は、制約のないシナリオにおける顔認識性能を改善する。 PFE法は不確実性を推定するのに過信であり、大規模な顔マッチングに適用するには遅すぎる。 本稿では,PFEのロバスト性および速度を改善するために,正規化確率的顔埋め込み法を提案する。
  論文  参考訳（メタデータ） (2021-02-08T09:27:57Z)
• 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)

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。