論文の概要: ExpFace: Exponential Angular Margin Loss for Deep Face Recognition

• arxiv url: http://arxiv.org/abs/2509.19753v1
• Date: Wed, 24 Sep 2025 04:08:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.687216
• Title: ExpFace: Exponential Angular Margin Loss for Deep Face Recognition
• Title（参考訳）: ExpFace: ディープ顔認識のための指数角マージン損失
• Authors: Jinhui Zheng, Xueyuan Gong,
• Abstract要約: SphereFace、CosFace、ArcFaceなどのMarginベースのソフトマックス損失は、ノイズの多いサンプルの影響を見落としている。 本稿では,角指数項をマージンとして導入したExpFace(Exponential Angular Margin Loss)を提案する。 この設計は、中心領域でより大きなペナルティを、周辺領域でより小さいペナルティを、角空間内で適用する。
• 参考スコア（独自算出の注目度）: 0.48342038441006796
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Face recognition is an open-set problem requiring high discriminative power to ensure that intra-class distances remain smaller than inter-class distances. Margin-based softmax losses, such as SphereFace, CosFace, and ArcFace, have been widely adopted to enhance intra-class compactness and inter-class separability, yet they overlook the impact of noisy samples. By examining the distribution of samples in the angular space, we observe that clean samples predominantly cluster in the center region, whereas noisy samples tend to shift toward the peripheral region. Motivated by this observation, we propose the Exponential Angular Margin Loss (ExpFace), which introduces an angular exponential term as the margin. This design applies a larger penalty in the center region and a smaller penalty in the peripheral region within the angular space, thereby emphasizing clean samples while suppressing noisy samples. We present a unified analysis of ExpFace and classical margin-based softmax losses in terms of margin embedding forms, similarity curves, and gradient curves, showing that ExpFace not only avoids the training instability of SphereFace and the non-monotonicity of ArcFace, but also exhibits a similarity curve that applies penalties in the same manner as the decision boundary in the angular space. Extensive experiments demonstrate that ExpFace achieves state-of-the-art performance. To facilitate future research, we have released the source code at: https://github.com/dfr-code/ExpFace.
• Abstract（参考訳）: 顔認識は、クラス間距離がクラス間距離よりも小さいことを保証するために高い識別力を必要とするオープンセット問題である。 SphereFace、CosFace、ArcFaceといったMarginベースのソフトマックスの損失は、クラス内のコンパクト性とクラス間の分離性を高めるために広く採用されているが、ノイズの多いサンプルの影響を見落としている。 角空間における試料の分布を調べることで, クリーンな試料が中心領域に多く集まるのに対して, ノイズの多い試料は周辺領域に移動する傾向にあることがわかった。 本研究の目的は,角指数項をマージンとして導入するExpFace(Exponential Angular Margin Loss)を提案することである。 本設計では, 中心領域のペナルティが大きく, 周辺領域のペナルティも小さくなった。 本稿では,SphereFaceのトレーニング不安定性とArcFaceの非単調性を回避するだけでなく,角空間における決定境界と同じ方法で罰則を適用した類似度曲線を示す。 ExpFaceは最先端のパフォーマンスを実現している。 将来の研究を容易にするため、ソースコードはhttps://github.com/dfr-code/ExpFace.comで公開しました。

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)
• Edge theory of non-Hermitian skin modes in higher dimensions [6.767128867035663]
  エルミート半金属中のゼロエネルギーエッジ状態と同じバルクバウンダリ対応とローカライズ特性を示す。 エッジ・スキン効果では、スペクトルは弱局所障害に対する異常なスペクトル感度を示すが、これはコーナー・スキン効果と著しく区別する特徴である。
  論文  参考訳（メタデータ） (2023-09-07T18:00:04Z)
• COMICS: End-to-end Bi-grained Contrastive Learning for Multi-face Forgery Detection [56.7599217711363]
  顔偽造認識法は一度に1つの顔しか処理できない。 ほとんどの顔偽造認識法は一度に1つの顔しか処理できない。 マルチフェイスフォージェリ検出のためのエンドツーエンドフレームワークであるCOMICSを提案する。
  論文  参考訳（メタデータ） (2023-08-03T03:37:13Z)
• Spectral Enhanced Rectangle Transformer for Hyperspectral Image Denoising [64.11157141177208]
  ハイパースペクトル画像の空間的およびスペクトル的相関をモデル化するスペクトル拡張矩形変換器を提案する。 前者に対しては、長方形自己アテンションを水平および垂直に利用し、空間領域における非局所的類似性を捉える。 後者のために,空間スペクトル立方体の大域的低ランク特性を抽出し,雑音を抑制するスペクトル拡張モジュールを設計する。
  論文  参考訳（メタデータ） (2023-04-03T09:42:13Z)
• 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)
• Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment [53.401889855278704]
  FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。 本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。 複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-04T07:54:40Z)
• 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)
• Locality-aware Channel-wise Dropout for Occluded Face Recognition [116.2355331029041]
  顔認識は、特に顔が部分的に隠されている場合、制約のないシナリオでは難しいタスクである。 そこで本研究では,ニューロン群の活性化を,精巧に選択されたチャネルに落とすことによって,新しい,エレガントなオクルージョン・シミュレート法を提案する。 種々のベンチマーク実験により,提案手法は最先端の手法よりも優れた性能を示し,性能が向上した。
  論文  参考訳（メタデータ） (2021-07-20T05:53:14Z)
• IntraLoss: Further Margin via Gradient-Enhancing Term for Deep Face Recognition [14.562043494026849]
  既存の分類に基づく顔認識手法は目覚ましい進歩を遂げた。 粗悪な特徴分布は、マージンスキームによるパフォーマンス改善を排除します。 本稿では,クラス内の分布特性に着目した勾配強調項を提案する。
  論文  参考訳（メタデータ） (2021-07-07T16:53:45Z)

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。