FaceNet: Унифицированное встраивание для распознавания и кластеризации лиц
FaceNet: A unified embedding for face recognition and clustering
2015-06-01
SCID: 54.1/ksmc3eyk
Discuss with AI
FaceNetLabeled Faces in the Wild (LFW)встраивание лицонлайн майнинг триплетовтриплетная функция потерь
Figures from the paper
Abstract (AI)
Несмотря на значительные недавние достижения в области распознавания лиц, эффективная реализация верификации и распознавания лиц в масштабе представляет серьёзные трудности для существующих подходов. В данной статье мы представляем систему под названием FaceNet, которая непосредственно обучается отображению из изображений лиц в компактное евклидово пространство, где расстояния прямо соответствуют мере сходства лиц. После получения этого пространства такие задачи, как распознавание лиц, верификация и кластеризация, могут быть легко реализованы с использованием стандартных методов, применяя встраивания FaceNet в качестве векторных признаков. Наш метод использует глубокую сверточную сеть, обучаемую для непосредственной оптимизации самих встраиваний, а не промежуточного узкого слоя, как в предыдущих подходах глубокого обучения. Для обучения мы используем триплеты примерно выровненных совпадающих и несовпадающих фрагментов лиц, генерируемые с помощью нового онлайн-метода отбора триплетов. Преимущество нашего подхода — гораздо большая ёмкость представления: мы достигаем передового уровня точности распознавания лиц, используя всего 128 байт на лицо. На широко используемом наборе Labeled Faces in the Wild (LFW) наша система достигает нового рекордного значения точности 99.63%. На наборе YouTube Faces DB она достигает 95.12%. Наша система сокращает уровень ошибок по сравнению с лучшим опубликованным результатом на обеих выборках на 30%.
Key Findings
1
FaceNet обеспечивает высокую эффективность представления, используя всего 128 байт на лицо для хранения встраиваний.
2
FaceNet обучает прямое отображение изображений лиц в компактное эвклидовое пространство, где расстояния соответствуют сходству лиц.
3
На наборе Labeled Faces in the Wild (LFW) FaceNet достигает 99.63% точности, что является новым рекордом.
4
На YouTube Faces DB FaceNet достигает 95.12% точности, сокращая ошибку на 30% по сравнению с лучшим опубликованным результатом.
5
Обучение использует глубокую сверточную сеть, оптимизируемую непосредственно для встраивания с использованием триплетной функции потерь и нового метода онлайн-майнинга триплетов.
Research Object
Система FaceNet, отображающая изображения лиц в компактное евклидово пространство встраиваний
Research Subject
Обучение и оценка компактного встраивания лиц (128 байт) с помощью глубокой сверточной сети, обучаемой методом онлайн-майнинга триплетов, для обеспечения точного распознавания лиц, верификации и кластеризации
Publication Details
Publication Date
2015-06-01
Journal
Publisher
ISSN
Cited by
15392
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Работы, цитирующие эту статью13
Переосмысление архитектуры Inception для компьютерного зрения2016
Обзор методов аугментации изображений для глубокого обучения2019
Обучение представлений с помощью контрастивного предиктивного кодирования2018
Обзор сверточных нейронных сетей: анализ, применения и перспективы2021
Реляционное сгущение знаний2019
Обобщённая сквозная функция потерь для верификации говорящего2018
Криминалистика и анализ видео «deepfake»2020
Практическое обнаружение сходства двоичного кода с использованием переносимого обучения сходству на основе BERT2022
Угловая функция потерь Softmax для сквозной верификации говорящего2018
Сквозная верификация дикторов с использованием взвешенной бинарной кросс-энтропии на основе бипартитного ранжирования и обучения по принципу усложнения задач2022
Анализ нормализации длины в сквозной системе верификации говорящего2018
Соображения по поиску эпистаза2024
Обзор нового поколения методов глубокого обучения в обработке изображений2019