一种增强人脸识别模型训练稳定性的损失函数

随着卷积神经网路的快速发展,深度学习在人脸识别领域进行了大量的应用。近几年,人脸识别准确率快速提高,主要归功于新颖损失函数的提出。在目前最大的人脸评测数据集MegaFace上,最顶尖的模型已经实现了97.91%的1∶N查找性能,但是训练过程中收敛稳定性问题没有得到解决。该文提出一种新型的损失函数LineFace,其logit曲线在余弦空间中呈线性,使训练中梯度收敛更加稳定。大量实验表明,该损失函数可以实现良好的模型性能收敛性与识别性能。     

视频人脸识别中高效分解卷积与时间金字塔网络研究

随着大量视频监控和摄像头网络的架设,非受限场景下的连续视频帧人脸识别愈发引人关注。传统的连续视频帧人脸识别方法大多存在识别结果易波动和计算资源消耗密集的问题。因此,该文对比了不同的帧间汇聚方式,采用注意力机制优化帧间汇聚过程,并采用3D分离卷积进行视频人脸建模,有效降低了视频人脸识别的计算消耗,提高了识别准确率。此外,提出了一种时间金字塔网络,可以进一步有效挖掘帧间互补信息,以提高识别准确率。该方法的有效性在YTF、PaSC数据集上得到了验证。