人脸识别

1. [1704.06369] NormFace: L2 Hypersphere Embedding for Face Verification

   [ arxiv ] [ code ]

   本文从理论角度解释了Softmax Loss训练出来的特征为何会呈现放射形分布, 并给出了如何使用Softmax来训练归一化后的特征.

2. [1704.08063] SphereFace: Deep Hypersphere Embedding for Face Recognition

   [ arxiv ] [ code ]

   SphereFace是作者对自己论文Large Margin Softmax的改进, 把最后一层的权重做了归一化. 开源的代码非常扎实有参考性, 在LFW和MegaFace任务上取得非常好的实践效果.

3. [1710.00870] Rethinking Feature Discrimination and Polymerization for Large-scale Recognition

   [ arxiv ] [ code ]

   COCO loss

4. [1801.05599] Additive Margin Softmax for Face Verification

   [ arxiv ] [ code ]

   之前的L-Softmax, A-Softmax引入了角间距的概念，用于改进传统的softmax loss函数，使得人脸特征具有更大的类间距和更小的类内距。 作者在这些方法的启发下，提出了一种更直观和更易解释的additive margin Softmax (AM-Softmax)。同时，本文强调和讨论了特征正则化的重要性。 实验表明AM-Softmax在LFW和MegaFace得到了比之前方法更好的效果。

5. [1801.07698] ArcFace: Additive Angular Margin Loss for Deep Face Recognition

   [ arxiv ] [ code ]

   业界良心, 采用加性Margin, 开源代码中提供了相当多的工具, 不过因为是用mxnet.symbol写法来实现的, 所以对于不了解MXNet的人来说 入门会相对困难一些, 这也是gluon-face产生的原因之一.

6. [1804.07573] MobileFaceNets: Efficient CNNs for Accurate Real-time Face Verification on Mobile Devices

   [ arxiv ] [ code ]

7. [1807.11649] The Devil of Face Recognition is in the Noise

   [ arxiv ] [ code ]

   ECCV'18 对于现有人脸数据集中的标签噪声问题进行了深入研究, 对MegaFace和MS-Celeb-1M数据集中的噪声特性和来源做了全面的分析, 发现干净 子集对于提高人脸识别精度效果显著.

8. [1808.06210] GridFace: Face Rectification via Learning Local Homography Transformations

   [ arxiv ]

   通过学习局部单应变换减少人脸变形，先校正，再识别，过硬的校正技术大幅提升了人脸识别的性能. 相关实验结果已证明该方法的有效性和高效性.

9. [1810.07599] Orthogonal Deep Features Decomposition for Age-Invariant Face Recognition

   [ arxiv ]

   腾讯AI Lab发表于ECCV 2018的工作, 其目的是通过研发新的深度学习模型以提高跨年龄人脸识别的精度. 在这篇文章里, 作者提出了一种正交深度特征 分解算法OE-CNNs, 通过把深度特征正交分解为年龄分量和身份分量, 从而将年龄分量和身份分量有效分离开, 从而提高跨年龄人脸识别精度.

参考资料

1

人脸识别的LOSS, YaqiLYU