找論文搭配 Sci-Hub 食用更佳 ??
Sci-Hub 實(shí)時更新 : https://tool.yovisun.com/scihub/
公益科研通文獻(xiàn)求助：https://www.ablesci.com/

總述

人臉識別流程：檢測、對齊、（活體）、預(yù)處理、提取特征（表示）、人臉識別（驗證）

傳統(tǒng)特征方法

傳統(tǒng)方法試圖通過一兩層表示來識別人臉，例如過濾響應(yīng)、特征直方圖分布。學(xué)術(shù)圈進(jìn)行了深入的研究，分別改進(jìn)了預(yù)處理、局部描述符和特征轉(zhuǎn)換，但這些方法在提高FR準(zhǔn)確性方面進(jìn)展緩慢。更糟糕的是，大多數(shù)方法只針對不受約束的面部變化的一個方面，如光照、姿勢、表情，并沒有任何綜合技術(shù)來整體解決這些不受約束的挑戰(zhàn)。因此，經(jīng)過十多年的持續(xù)努力，“淺層”方法僅將LFW基準(zhǔn)數(shù)據(jù)集的準(zhǔn)確性提高到約95%[15]，這表明“淺層的”方法不足以提取對真實(shí)世界變化的穩(wěn)定身份特征信息。

深度學(xué)習(xí)方法

GhostFaceNets: Lightweight Face Recognition Model From Cheap Operations ，IEEE Access，2023，LFW dataset Rank 1.

混合精度，(sub-center) arcface cosface loss, ghostnet (lightweight, cvpr)

Deep Polynomial Neural Networks，2021，作者來自英國倫敦帝國理工學(xué)院計算系、瑞士洛桑聯(lián)邦理工學(xué)院 (EPFL) 電氣工程系、希臘雅典大學(xué)信息學(xué)和電信系，該方法已申請專利。

多項式神經(jīng)網(wǎng)絡(luò)，即輸出是輸入的高階多項式。未知參數(shù)自然地由高階張量表示，通過因子共享的集體張量分解來估計。作者介紹了三種顯著減少參數(shù)數(shù)量的張量分解，并展示了如何通過分層神經(jīng)網(wǎng)絡(luò)有效地實(shí)現(xiàn)它們。并憑經(jīng)驗證明，π-Nets 具有很強(qiáng)的表現(xiàn)力，它們甚至可以在大量任務(wù)和信號（即圖像、圖形和音頻）中不使用非線性激活函數(shù)的情況下產(chǎn)生良好的結(jié)果。當(dāng)與激活函數(shù)結(jié)合使用時，Π-Nets 在圖像生成、人臉驗證和 3D 網(wǎng)格表示學(xué)習(xí)三個具有挑戰(zhàn)性的任務(wù)中產(chǎn)生了最先進(jìn)的結(jié)果。

ArcFace: Additive Angular Margin Loss for Deep Face Recognition

DCNN 將人臉圖像（通常在姿勢歸一化步驟 [7]、[8] 之后）映射到應(yīng)該具有較小的類內(nèi)距離和較大的類間距離的特征。訓(xùn)練 DCNN 進(jìn)行人臉識別有兩個主要研究方向。一些訓(xùn)練一個多類分類器，可以在訓(xùn)練集中分離不同的身份，例如使用 softmax 分類器 [2]、[4]、[9]、[10]、[11]，其他直接學(xué)習(xí)嵌入，例如三元組損失 [3]。

基于大規(guī)模訓(xùn)練數(shù)據(jù)和精細(xì)的 DCNN 架構(gòu)，softmax-loss 的方法 [9] 和triplet-loss 的方法 [3] 都可以獲得出色的人臉識別性能。然而，softmax loss 和 triplet loss 都有一些缺點(diǎn)。

對于 softmax 損失：（1）學(xué)習(xí)到的特征對于閉集分類問題是可分離的，但對于開放集人臉識別問題的區(qū)分度不夠； (2) 線性變換矩陣$W\in {\mathbb{R}}^{d\times N}$ 的大小隨身份數(shù) $N$ 線性增加。

對于三元組損失： (1) 人臉三元組的數(shù)量組合爆炸式增長，尤其是對于大規(guī)模數(shù)據(jù)集，導(dǎo)致迭代步數(shù)顯著增加； (2) 半難樣本挖掘?qū)τ谟?xùn)練有效的模型來說相當(dāng)困難。

DiscFace: Minimum Discrepancy Learning for Deep Face Recognition，2020，ACCV

作者發(fā)現(xiàn)了基于Softmax的方法的一個重要問題：在訓(xùn)練階段，對應(yīng)類權(quán)重附近的樣本特征同樣受到懲罰，盡管它們的方向不同。為了緩解這一問題，提出了一種新的訓(xùn)練方案，稱為最小差異學(xué)習(xí)，它通過使用單一的可學(xué)習(xí)基來強(qiáng)制類內(nèi)樣本特征的方向向最優(yōu)方向?qū)R。

早些時候，深度度量學(xué)習(xí)方法通??過樣本對（或三元組）之間距離的局部關(guān)系學(xué)習(xí)人臉嵌入，從而在類不平衡數(shù)據(jù)集下取得了可喜的成果 [1–3, 11]。深度度量學(xué)習(xí)能夠通過利用某些度量損失直接捕獲更多的判別力。然而，它們的性能在很大程度上取決于采樣和挖掘策略，因此，度量學(xué)習(xí)模型通常需要耗時的來回過程來訓(xùn)練。

與分類任務(wù)相比，學(xué)習(xí)大邊緣判別特征對于人臉識別任務(wù)至關(guān)重要，特別是在開放集協(xié)議下，這是一種更現(xiàn)實(shí)但更具挑戰(zhàn)性的人臉識別協(xié)議 [6]。許多工作都試圖修改 softmax 損失以獲得有效的 large-margin 判別特征 [5, 6, 13, 7, 8]。這樣的變體能夠直接優(yōu)化特征之間的角度和超球面流形中相應(yīng)的類權(quán)重。

然而，作者觀察到，在開放集協(xié)議下，它們的評估性能可能會受到訓(xùn)練和評估過程之間差異的影響：訓(xùn)練期間使用樣本特征和 softmax 類權(quán)重之間的匹配分?jǐn)?shù)，而在評估階段（沒有類別權(quán)重）匹配分?jǐn)?shù)是在不同樣本特征之間計算的。這種差異導(dǎo)致樣本特征之間存在方向差異，如圖 1 所示。作者將此問題稱為“process discrepancy”。

總之，該方案專門用于減輕訓(xùn)練和評估階段之間的過程差異，以便在評估階段提供更好的性能。這是第一個基于 softmax 學(xué)習(xí)方法的用于解決過程差異問題的人臉識別任務(wù)，而以前的方法只關(guān)注判別學(xué)習(xí)。

MagFace: A universal representation for face recognition and quality ssessment

MagFace 探索了根據(jù)可識別性應(yīng)用不同邊距的想法。它在高范數(shù)特征易于識別的前提下，對高范數(shù)特征應(yīng)用大角度邊距。大邊緣將高范數(shù)的特征推向類中心。然而，它未能強(qiáng)調(diào)難訓(xùn)練樣本，這對于學(xué)習(xí)判別特征來說很重要。

AdaFace: Quality Adaptive Margin for Face Recognition

影響圖像質(zhì)量的因素包括亮度、對比度、清晰度、噪聲、顏色恒定性、分辨率、色調(diào)再現(xiàn)等。論文關(guān)注的人臉圖像可以在各種照明、姿勢和面部表情設(shè)置下拍攝，有時也可以在受試者的年齡或化妝等極端視覺變化下拍攝。這些參數(shù)設(shè)置使得學(xué)習(xí)的人臉識別（FR）模型的識別任務(wù)變得困難。盡管如此，這項任務(wù)是可以實(shí)現(xiàn)的，因為人類或模型通?？梢栽谶@些困難的環(huán)境下識別人臉[37]。

先前的研究已經(jīng)證明了自適應(yīng)損失的影響，以賦予錯誤分類（hard）樣本更多的重要性。文章中，作者引入了損失函數(shù)中自適應(yīng)性的另一個方面，即圖像質(zhì)量。作者認(rèn)為，強(qiáng)調(diào)錯誤分類樣本的策略應(yīng)該根據(jù)它們的圖像質(zhì)量進(jìn)行調(diào)整。具體而言，簡單樣本或難樣本的相對重要性應(yīng)基于樣本的圖像質(zhì)量。因此提出了一種新的損失函數(shù)，該函數(shù)根據(jù)不同難度的樣本的圖像質(zhì)量來強(qiáng)調(diào)它們。具體實(shí)現(xiàn)方法是通過用特征范數(shù)逼近圖像質(zhì)量，以自適應(yīng)邊緣函數(shù)的形式實(shí)現(xiàn)了這一點(diǎn)。

由于存在無法識別的面部圖像（下圖紅色區(qū)域），作者想設(shè)計一個損失函數(shù)，根據(jù)圖像質(zhì)量為不同難度的樣本分配不同的重要性。目標(biāo)是強(qiáng)調(diào)高質(zhì)量圖像的硬樣本和低質(zhì)量圖像的簡單樣本，如果圖像質(zhì)量低，損失函數(shù)會強(qiáng)調(diào)簡單的樣本（從而避免無法識別的圖像）。否則，損失會強(qiáng)調(diào)hard樣本。


作者發(fā)現(xiàn) 1) 特征范數(shù)可以很好地代表圖像質(zhì)量， 2) 各種邊緣函數(shù)相當(dāng)于為樣本的不同難度分配不同的重要性。這兩個發(fā)現(xiàn)結(jié)合在一個統(tǒng)一的損失函數(shù) AdaFace 中，它根據(jù)圖像質(zhì)量自適應(yīng)地改變邊緣函數(shù)，為不同難度的樣本分配不同的重要性（見上圖）

許多研究在硬樣本挖掘 [22、40]、訓(xùn)練期間的調(diào)度難度 [16、35] 或?qū)ふ易罴殉瑓?shù) [45] 的訓(xùn)練目標(biāo)中引入了適應(yīng)性元素。例如，CurricularFace [16] 將課程學(xué)習(xí)的思想帶入了損失函數(shù)。在訓(xùn)練的初始階段，將 $cos{\theta }_j$（負(fù)余弦相似度）的邊距設(shè)置得較小，以便學(xué)習(xí)容易的樣本，在后期階段，增加邊距，以便學(xué)習(xí)難的樣本

t 是隨著訓(xùn)練的進(jìn)行而增加的參數(shù)。
因此，在 CurricularFace 中，margin 中的自適應(yīng)性是基于訓(xùn)練進(jìn)程（curriculum）的。

IJB-B [41]、IJB-C [26] 和 IJB-S [17]中大多數(shù)圖像質(zhì)量較低，有些不包含足夠的身份信息，即使對于人類也是如此考官。良好性能的關(guān)鍵包括 1) 學(xué)習(xí)低質(zhì)量圖像的判別特征和 2) 學(xué)習(xí)丟棄包含很少身份線索的圖像，后者有時被稱為質(zhì)量感知融合

QMagFace: Simple and Accurate Quality-Aware Face Recognition

作者將質(zhì)量感知比較分?jǐn)?shù)與基于幅度感知角度邊緣損失的識別模型相結(jié)合。所提出的方法在比較過程中包括特定于模型的人臉圖像質(zhì)量，以增強(qiáng)在不受約束的情況下的識別性能。利用質(zhì)量與其由使用損失引起的比較分?jǐn)?shù)之間的線性關(guān)系，該質(zhì)量感知比較函數(shù)簡單且高度通用。

FaceNet: A Unified Embedding for Face Recognition and Clustering，2015

FaceNet 直接學(xué)習(xí)從面部圖像到緊湊歐幾里得空間的映射，其中距離直接對應(yīng)于面部相似性的度量。一旦產(chǎn)生了這個空間，就可以使用標(biāo)準(zhǔn)技術(shù)將 FaceNet 嵌入作為特征向量輕松實(shí)現(xiàn)人臉識別、驗證和聚類等任務(wù)。

該方法使用經(jīng)過訓(xùn)練的深度卷積網(wǎng)絡(luò)來直接優(yōu)化嵌入本身，而不是像以前的深度學(xué)習(xí)方法那樣使用中間瓶頸層。為了進(jìn)行訓(xùn)練，作者使用了一種新穎的在線三元組挖掘方法生成的大致對齊的匹配/非匹配面部補(bǔ)丁的三元組。方法的好處是表示效率更高：僅使用每張臉 128 字節(jié)就實(shí)現(xiàn)了最先進(jìn)的人臉識別性能

損失函數(shù)演進(jìn)

基于 Softmax 的學(xué)習(xí)：在各種應(yīng)用中許多方法已經(jīng)研究基于 softmax 的判別特征學(xué)習(xí) [18-25]。在人臉識別任務(wù)中，Center loss [4]提出了一種最小化類內(nèi)方差的方法。該方法計算每個類的樣本質(zhì)心，并最小化特征向量與其對應(yīng)質(zhì)心之間的類內(nèi)距離。 Crystal loss [26]引入一個約束來強(qiáng)制特征向量的范數(shù)為某個值。Ring loss[27]使范數(shù)成為可訓(xùn)練的參數(shù)，并鼓勵對特征向量的范數(shù)進(jìn)行最佳訓(xùn)練。 NormFace [5] 是一種學(xué)習(xí)超球體流形特征的方案，這樣類之間的區(qū)分就可以通過角度來完成。Sphereface [6] 引入了乘法角度邊緣損失，使特征更具辨別力。類似的方式，CosFace [7] 和 ArcFace [8] 證明了角邊距的有效性，它們以不同的方式使用角距。

基于度量學(xué)習(xí): 基于度量的學(xué)習(xí)方法 [1-3] 直接從樣本之間的關(guān)系中學(xué)習(xí)判別特征。對比損失 [1] 使用正負(fù)樣本對來學(xué)習(xí)兩個樣本之間的關(guān)系。三元組損失 [3] 學(xué)習(xí)到錨點(diǎn)和正樣本之間的距離小于錨點(diǎn)和負(fù)樣本之間的距離。盡管基于度量的學(xué)習(xí)是解決驗證問題的一種直觀方法，但基于度量的學(xué)習(xí)的主要缺點(diǎn)在于數(shù)據(jù)采樣的困難。很難訓(xùn)練所有可能的對或三元組，性能在很大程度上取決于挖掘策略。

基于歐幾里德和距離的損失

Triplet loss要確保特定人的圖像 $x_i^a$（anchor）與同一個人的所有其他圖像 $x_i^p$（positive）比與任何其他人的任何圖像 $x_i^n$（negative）更接近。在圖 3 中可視化
$$L_{tri}=\sum _i^N\left[||f(x_i^a)|{|}_2^2\right]$$

def triplet_loss(alpha = 0.2):
    def _triplet_loss(y_pred, Batch_size):
        anchor, positive, negative = y_pred[:int(Batch_size)], y_pred[int(Batch_size):int(2*Batch_size)], y_pred[int(2*Batch_size):]

        pos_dist = torch.sqrt(torch.sum(torch.pow(anchor - positive,2), axis=-1))
        neg_dist = torch.sqrt(torch.sum(torch.pow(anchor - negative,2), axis=-1))
        
        keep_all = (neg_dist - pos_dist < alpha).cpu().numpy().flatten()
        hard_triplets = np.where(keep_all == 1)

        pos_dist = pos_dist[hard_triplets]
        neg_dist = neg_dist[hard_triplets]

        basic_loss = pos_dist - neg_dist + alpha
        loss = torch.sum(basic_loss) / torch.max(torch.tensor(1), torch.tensor(len(hard_triplets[0])))
        return loss
    return _triplet_loss

基于角度/余弦邊距的損失

SoftMax 損失及其變體

$$SoftMax:L_1=?log\frac{e^{W_{y_i}^T+b_{y_i}}}{{\sum }_{j=1}^N{e}^{W_j^T{x}_i+b_j}}$$
$SoftMaxLoss$ 做簡化，
$$\mathbf{simplify},L_2=?log\frac{e^{scos{\theta }_{yi}}}{e^{scos{\theta }_{yi}}+{\sum }_{j=1,j\ne y_i}^n{e}^{scos{\theta }_j}}$$
特征和權(quán)重的歸一化步驟使預(yù)測僅取決于特征和權(quán)重之間的角度。因此，學(xué)習(xí)到的嵌入特征分布在半徑為 s 的超球面上。

由于嵌入特征分布在超球體上的每個特征中心周圍，在$x_i$和 $W_{yi}$ 之間采用加性角邊緣懲罰 $additiveangularmarginpenaltym$ 來同時增強(qiáng)類內(nèi)緊湊性和類間差異，則

$$ArcFaceLoss,L_3=?log\frac{e^{scos({\theta }_{yi}+m)}}{e^{scos({\theta }_{yi}+m)}+{\sum }_{j=1,j\ne y_i}^n{e}^{scos{\theta }_j}}$$

評價指標(biāo)：
$$\begin{gathered} \mathbf{Acc}=\frac{TA+TR}{TA+TR+FR+FA} \\ \mathbf{TAR}（TrueAcceptRate）=\frac{TA}{TA+FR} \\ FAR（FalseAcceptRate）=\frac{FA}{FA+TR} \\ FRR（FalseRejectRate）\frac{FR}{TR+FR} \end{gathered}$$文章來源地址http://www.zghlxwxcb.cn/news/detail-763760.html

一級標(biāo)題

二級標(biāo)題

二級標(biāo)題

二級標(biāo)題

到了這里，關(guān)于人臉識別 Face Recognition 入門的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！