سال انتشار:
2020
ترجمه فارسی عنوان مقاله:
کمترین از دست دادن حاشیه برای تشخیص چهره عمیق
عنوان انگلیسی مقاله:
Minimum margin loss for deep face recognition
منبع:
Sciencedirect - Elsevier - Pattern Recognition 97 (2020) 107012
نویسنده:
Xin Wei, Hui Wang, Bryan Scotney, Huan Wan
چکیده انگلیسی:
Face recognition has achieved great success owing to the fast development of deep neural networks in
the past few years. Different loss functions can be used in a deep neural network resulting in different
performance. Most recently some loss functions have been proposed, which have advanced the state of
the art. However, they cannot solve the problem of margin bias which is present in class imbalanced
datasets, having the so-called long-tailed distributions. In this paper, we propose to solve the margin
bias problem by setting a minimum margin for all pairs of classes. We present a new loss function,
Minimum Margin Loss (MML), which is aimed at enlarging the margin of those overclose class centre
pairs so as to enhance the discriminative ability of the deep features. MML, together with Softmax Loss
and Centre Loss, supervises the training process to balance the margins of all classes irrespective of their
class distributions. We implemented MML in Inception-ResNet-v1 and conducted extensive experiments
on seven face recognition benchmark datasets, MegaFace, FaceScrub, LFW, SLLFW, YTF, IJB-B and IJB-C.
Experimental results show that the proposed MML loss function has led to new state of the art in face
recognition, reducing the negative effect of margin bias.
Keywords: Deep learning | Convolutional neural networks | Face recognition | Minimum margin loss
چکیده فارسی:
تشخیص چهره موفقیت بزرگی به دست آورده است که دلیل اصلی آن توسعه سریع شبکه های عصبی عمیق (DNN) در سال های اخیر است. کارکردهای مختلف ازدست دادن (اتلاف) در یک شبکه عصبی عمیق قابل استفاده است که منجر به عملکرد متفاوتی می شود. اخیراً برخی از کارکردهای تلفات پیشنهاد داده شده است. با این حال، آن ها نمی توانند مساله جهت گیری حاشیه ای را که در مجموعه داده های غیر متعادل وجود دارد حل کنند. در این مقاله حل مساله تمایل حاشیه ای را با تعیین یک حاشیه حداقلی برای تمامی زوج کلاس ها پیشنهاد می دهیم. ما تابع اتلاف جدیدی به نام حداقل اتلاف حاشیه ای (MML) پیشنهاد می دهیم که هدف آن گسترش محدوده آن هایی است که به زوج های مرکزی دسته بیش از حد نزدیک می شوند تا قابلیت متمایز کننده ویژگی های عمیق را ارتقاء دهد. تابع MML همراه با توابع Softmax Loss و Centre Loss بر فرآیند آموزش نظارت می کنند تا حاشیه های تمامی دسته ها را صرف نظر از توزیع دسته آن ها مورد نظارت قرار دهند. ما تابع MML را در پلتفورم Inception-ResNet-v1 پیاده سازی می کنیم و آزمایش های گسترده ای را بر روی هفت مجموعه داده تشخیص چهره انجام می دهیم که شامل MegaFace، FaceScrub، LFW، SLLFW، YTF، IJB-B و IJB-C است. نتایج تجربی نشان می دهد که تابع از دست دادن MML پیشنهادی منجر به حالت جدیدی در تشخیص چهره می شود و اثر منفی جهت گیری حاشیه ای را کاهش می دهد.
کلید واژه ها :یادگیری عمیق | شبکه های عصبی باز رخدادگر (CNN) | تشخیص چهره| کمترین از دست دادن حاشیه ای (MML)
حجم فایل: 1819 کیلوبایت
قیمت:
30000 تومان
24000 تومان
(20 % تخفیف)
توضیحات اضافی:
تعداد نظرات : 0