iT邦幫忙

2021 iThome 鐵人賽

DAY 9
0
自我挑戰組

人臉辨識的基礎理論系列 第 9

模型架構--3

  • 分享至 

  • xImage
  •  

ArcFace

在2018年發表,在SphereFace的基礎上改進對特徵向量歸一化和角度間隔,強化了類間的可分類性和類間差異及類內的區別。

ArcFace loss:Additive Angular Margin Loss,在特徵向量及權重做歸一化,把特徵值縮在(0,1)之間的小數,更加便捷快速。在對θ加上角度間隔m,這樣的作法比餘旋間隔對角度的影響更為強烈直接。ArcFace是直接在角度空間θ中最大化分類。

使用上可得到的優點
訓練效率較高
比較不複雜
ArcFace不需要使用其搭的Loss function來聯合監督,較容易收斂於不同的訓練資料集。

缺點
模型是較為龐大的架構
訓練時間較久

歸一化(Normalization) VS 標準化(Standardization)

歸一化 將資料的資訊縮放到0和1之間。

標準化 將資料的值縮放成均值為0,方差為1的狀態。

使用上述兩者的優點:
如果數據預先沒有經過歸一化,那麼那些絕對值大的特徵在歐式距離計算的時候起了決定性作用,會嚴重影響訓練時所學習到較多絕對值大的特徵,所以歸一化是為了可以讓每一個特徵對結果做出相同比重的貢獻。

也可以增加模型的收斂速度。


上一篇
模型架構--2
下一篇
模型架構--4
系列文
人臉辨識的基礎理論30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言