论文笔记 | FaceNet: A Unified Embedding for Face Recognition and Clustering
Authors
Florian Schroff Dmitry Kalenichenko James Philbin
Florian Schroff
Abstract
本文提出了FaceNet system,直接从face images 学习到 compact Euclidean 欧几里德 space 从而得到face的相似程度。这样一来 face recognition, verification, clustering 就容易了。该方法使用深度卷积网络直接得到embedding,没有用传统的bottleneck层,训练时用到了online triplet mining method。 效率更高,每脸128bytes。
1 Introduction
verification:is this the same person (thresholding)
recognition: who is this person (K-NN classification)
clustering : find common people among these faces (k-means or agglomerative clustering)
本文直接使用squared L2 距离来判断脸部的similarity。
以往使用bottleneck layer 不直接而且representation size 非常大。本文使用triplet based loss function(参考下面的文献)仅128D。其中有两个matching face thumbnail,一个non-matching face thumbnail
K. Q.Weinberger, J. Blitzer, and L. K. Saul. Distance metric
learning for large margin nearest neighbor classification. In
NIPS. MIT Press, 2006. 2, 3
tripletsd 的选择很重要,收到curriculum learning的启发,本文使用在线negative exemplar mining 策略,保证了训练过程中难度的增大
Y. Bengio, J. Louradour, R. Collobert, and J. Weston. Curriculum
learning. In Proc. of ICML, New York, NY, USA,
2009. 2
3 Method
3.1 Triplet Loss
通过L2之后得到的embedding是一个hypersphere,其约束方程为:
loss为:
3.2 Triplet selection
如果随便选则 xp,xn
那么很多triplet会很容易就满足上式,对最终的收敛意义不大,我们需要选择与anchor最近的negative和最远的positive,如何选择呢?首先不能在全局选,因为这时数量巨大,而且个别点容易主导训练。以下是文章提出的两种方法:
1. 离线选择,每n步使用最近的网络再一个subset中选择所需要的样本;
2. 在线选择,mini-batch中选择
本文选择第二种,其中positive的选择时使用所有的正例,(这样会再开始的时候更加稳定收敛速度稍快)。hard negative的选择是
batch size 是1800左右。
3.3 deep convolutional networks
4 Datasets and evaluation
psame=i,j of the same identity
pdiff= different identities
true accepts :TA
false accept: FA
val:TA/psame
FAR:FA/pdiff
5 experiments
图片质量越好越好,Embedding Dimensionality 越大得到 结果应该越好但是需要更多的训练次数,小的dimensionality有利于嵌入移动设备。随着数据的增多结果会有提高但是增加到一定的程度起作用就会变小。
summery
- Authors
- Abstract
- Introduction
- Method
- 1 Triplet Loss
- 2 Triplet selection
- 3 deep convolutional networks
- Datasets and evaluation
- experiments
- summery
论文笔记 | FaceNet: A Unified Embedding for Face Recognition and Clustering相关推荐
- 【读点论文】FaceNet: A Unified Embedding for Face Recognition and Clustering 人脸向量映射到一个特定空间后成为一种集成系统
FaceNet: A Unified Embedding for Face Recognition and Clustering 大规模有效实施人脸验证和识别对当前方法提出了严峻挑战.在本文中,提出了 ...
- 论文阅读 FaceNet: A Unified Embedding for Face Recognition and Clustering
这篇文章提出了FaceNet系统,学习从人脸到欧式空间的映射,在欧氏空间中判断两幅图片的相似性.可以用来人脸验证.人脸识别以及聚类. 人脸验证:两个嵌入之间距离阈值化问题 人脸识别:k-NN分类问题 ...
- FaceNet: A Unified Embedding for Face Recognition and Clustering
论文:FaceNet: A Unified Embedding for Face Recognition and Clustering 时间:2015.04.13 来源:CVPR 2015 来自谷歌的 ...
- 论文研读 —— 5. FaceNet A Unified Embedding for Face Recognition and Clustering (1/3)
文章目录 Authors and Publishment Authors Bibtex Categories 0. Abstract 1. Introduction 2. Related Work A ...
- 论文研读 —— 5. FaceNet A Unified Embedding for Face Recognition and Clustering (2/3)
文章目录 3. Method 3.1. Triplet Loss 3.2. Triplet Selection 3.3. Deep Convolutional Networks 4. Datasets ...
- 译文 FaceNet: A Unified Embedding for Face Recognition and Clustering
摘要 Despite significant recent advances in the field of face recognition [10, 14, 15, 17], implementi ...
- Triplet Loss: A Unified Embedding for Face Recognition and Clustering(论文阅读笔记)(2015CVPR)
论文链接:<FaceNet: A Unified Embedding for Face Recognition and Clustering> 摘要 尽管人脸识别领域最近取得了重大进展[1 ...
- 【论文笔记】Unsupervised Deep Embedding for Clustering Analysis(DEC)
[论文笔记]Unsupervised Deep Embedding for Clustering Analysis(DEC) 文章题目:Unsupervised Deep Embedding for ...
- 【论文笔记】VOLO: Vision Outlooker for Visual Recognition
论文 论文题目:VOLO: Vision Outlooker for Visual Recognition 论文地址:[2106.13112] VOLO: Vision Outlooker for V ...
最新文章
- 27.3. source code
- 如何在10亿个整数中找出前1000个最大的数?
- 原型图Mockplus:怎样使用图片裁切功能
- 服务器安装centos6 linux,CentOS6.5安装详细教程,手把手教你安装Linux操作系统(CentOS6.5)...
- xpath用于HTML文档通过元素,通过Xpath定位元素
- Linux周立功CAN驱动安装指导
- 《统计决策论及贝叶斯分析》
- 【Arcgis】Extract by Mask时出错,ERROR 999999
- web笔记day12
- N沟道的Vgs是正的,P沟道的Vgs是负的
- Mozilla里永久删除的邮件如何恢复
- C# 使用Interop.Excel一些报错的对应
- IntelliJ IDEA java开发环境
- Absurdity and wonder: Heath Robinson at home
- java集合入门和深入学习
- anemometer mysql 500_Anemometer将Mysql慢查询日志可视化
- 夏普电视显示服务器连线异常,夏普电视黑屏的原因?夏普电视常见故障!
- 绿色版 MySQL 安装配置的正确操作步骤
- 达芬奇密码 第八十五章
- 聚焦华南医药创新,9月CPhI P-MEC China华南首站定档!
热门文章
- 【c++并发编程】pthread_create的使用
- 【BSP视频教程】STM32H7视频教程第3期:整体捋顺STM32H7的HAL库和LL库的框架,再配合寄存器造轮子找到更适合自己的玩法(2022-01-21)
- 阿里云购买的域名绑定腾讯云的空间
- 前美团COO干嘉伟:好的管理,打得、骂得,又哄得
- Dell 7920工作站2080ti配置Ubuntu18.04+CUDA11.7+Cudnn
- PyCharm连接MySQL数据库的时候,驱动下载失败
- word如何一键全选_word文档怎么全选所有内容
- linux 137错误,linux引导报错问题
- 前端简历如何描述项目经历
- Keil(MDK-ARM)使用教程——在线调试