跨域 Filter Pytorch Yarn Mixin Android开发 iframe boost terminal get 郑州普通话考试 传智播客python android小程序源代码 python与机器学习 js获取月份 查看mysql密码 docker导入镜像 oracle分析函数 docker启动命令 安装python python数据 python安装 python编程工具 python中import用法 python传参 java获取当前年份 java中的队列 java正则替换 java路径 java删除目录 java集合类型 linuxtar命令 php网络编程 脚本之家 霜之祝福 gtx1030 两表关联查询 groupy 说话不算数的经典语句 文字转语音软件免费版
当前位置: 首页 > 学习教程  > 编程语言

概率人脸嵌入(二)

2020/8/11 20:05:29 文章标签:

论文:“Data Uncertainty Learning in Face Recognition

文中使用分类和回归两种方法学习不确定性:

共同点是 在最后的卷积层后接两个嵌入(维度相同),一是均值mu,一是方差sigma(训练时使用方差的对数),即假设人脸特征是满足(mu、sigma)的高斯分布。

不同点在于:

1、基于分类的方法(DUL_CLS):

使用(mu + xi * sigma)作为最后的特征表达(xi是服从标准正态分布,和特征同维的随机向量),后接分类的全连接层。损失是am-softmax等分类损失 + lambda * KL 损失(为了使特征的分布接近标准正态分布,lambda是一个很小的系数)。

    

 

2、基于回归的方法(DUL_REG):

2a、先训练一遍嵌入只有一个的确定性模型,保存其中用于分类的全连接层,由C个D维权重向量(即类中心)组成(D是嵌入维度,C是类别数)。

2b、修改嵌入为两个,固定backbone参数,finetune,输入样本,得到mu和sigma,计算样本所在类的权重向量属于(mu,sigma)分布的对数似然,最大化batch中所有样本的对数似然乘积,取其反即为损失。


本文链接: http://www.dtmao.cc/news_show_100282.shtml

附件下载

相关教程

    暂无相关的数据...

共有条评论 网友评论

验证码: 看不清楚?