联系我们
- 地 址:北京市海淀区北四环西路9号 ,主 营:人脸识别,活体检测,身份证识别,银行卡识别,名片识别,车牌识别,OCR识别等及智能识别技术。
- 电 话:13146317170 廖经理
- 传 真:
- 邮 箱:398017534@qq.com
人脸识别之SphereFace
人脸识别之SphereFace
2017的一篇cvpr,SphereFace: Deep Hypersphere Embedding for Face Recognition,继centerloss之后又一大作。
文章主要提出了归一化权值(normalize weights and zero biases)和角度间距(angular margin),基于这2个点,对传统的softmax进行了改进,从而实现了,最大类内距离小于最小类间距离的识别标准。
原始的softmax的loss损失是一个互熵损失,
进行归一化操作,将其都映射到一个单位球面上,令||W||=1,b=0,并且引入夹角,得出Modified Softmax Loss公式如下,
在此基础上,再引入angular margin,用m表示,最终产生A-softmax的loss公式
在LFW和YTF数据集上的识别率分别如下图所示,可以看出LFW已经达到了99.42的识别率。
这里分析一下,作者A-softmax 的参数,
在margin_inner_product_layer.cpp的Forward_cpu函数中,
也就是说,
计算出来也就是说,lambda=5(iteration>1658)lambda=大于5的值(iteration<1658)
文章主要提出了归一化权值(normalize weights and zero biases)和角度间距(angular margin),基于这2个点,对传统的softmax进行了改进,从而实现了,最大类内距离小于最小类间距离的识别标准。
原始的softmax的loss损失是一个互熵损失,
其中,
将其代入第一个式子,得出了损失函数如下,进行归一化操作,将其都映射到一个单位球面上,令||W||=1,b=0,并且引入夹角,得出Modified Softmax Loss公式如下,
在此基础上,再引入angular margin,用m表示,最终产生A-softmax的loss公式
在LFW和YTF数据集上的识别率分别如下图所示,可以看出LFW已经达到了99.42的识别率。
这里分析一下,作者A-softmax 的参数,
在margin_inner_product_layer.cpp的Forward_cpu函数中,
也就是说,
计算出来也就是说,lambda=5(iteration>1658)lambda=大于5的值(iteration<1658)
上一条:程序猿用“美貌”突破人脸识别
下一条:人脸识别SDK,移动端安卓ios人脸抓拍