摘要：
GhostNet: More Features from Cheap Operations 1. Introduction 在训练有素的深度神经网络的特征图中，丰富甚至冗余的信息常常保证了对输入数据的全面理解。例如，图1展示了由ResNet-50生成的输入图像的一些特征映射，并且存在许多相似的特征映 阅读全文
摘要：
MobileFaceNets: Efficient CNNs for Accurate Real- Time Face Verification on Mobile Devices 该论文简要分析了一下普通的mobile网络用于人脸检测的缺点。这些缺点能够很好地被他们特别设计的MobileFaceN 阅读全文
摘要：
⚠️这个方法还可以用在别的地方，比如要判别一个人不同年龄的照片是不是同一个人，这样这里的yaw coefficient参数就是用来调整照片年龄的不同，而不是人脸角度的不同了！！！！！！！！！ Pose-Robust Face Recognition via Deep Residual Equivar 阅读全文
摘要：
什么是npos： std::basic_string<CharT,Traits,Allocator>::npos static const size_type npos = -1; 这是特殊值，等于 size_type 类型可表示的最大值。准确含义依赖于语境，但通常，期待 string 下标的函数以 阅读全文
摘要：
https://download.pytorch.org/whl/torch_stable.html 阅读全文
摘要：
对这部分不了解的可以看看： 人脸识别和检测中loss学习 - 7 - SphereFace NormFace: L2 Hypersphere Embedding for Face Verification - 1 - 论文学习 人脸识别和检测中loss学习 - 9 - ADDITIVE MARGIN 阅读全文
摘要：
该方法通过减法的方式将边际margin参数m引入softmax中，cosθ - m 原始的softmax loss函数为： f表示的是最后一个全连接层的输出(fi表示的是第i个样本)，Wj表示的是最后全连接层的第j列。WyiTfi被叫做target logit 在A-softmax损失函数中，则是会 阅读全文
摘要：
1.错误标记 即标记该图时就已经出错 2.假阴性： 即该图本应该判断正样本的，但是可能因为照片中化妆、带眼镜、人物造型变化比较大或是遮挡等原因导致它被误判为负样本 3.假阳性： 即该图本应该判断负样本的，但是可能因为其与正样本人的五官非常相似，所以被误判为正样本 阅读全文
摘要：
可见NormFace: L2 Hypersphere Embedding for Face Verification - 1 - 论文学习 阅读全文
摘要：
To sum up, the Cosine Loss[17], vMFMM[21] and our proposed loss functions optimize both features and weights, while the L2-softmax[24] normalizes the 阅读全文
摘要：
Abstract 3D Morphable Models (3DMMs)是一种统计模型，它使用一组线性基和更特殊的主成分分析(PCA)来表示面部纹理和形状的变化。采用3DMMs作为统计先验，通过求解非线性最小二乘优化问题，从图像中重建三维人脸。最近，3DMMs被用作训练非线性映射的生成模型。通过深度 阅读全文
摘要：
论文下载：http://openaccess.thecvf.com/content_cvpr_2017/papers/Liu_SphereFace_Deep_Hypersphere_CVPR_2017_paper.pdf SphereFace: Deep Hypersphere Embedding 阅读全文
摘要：
论文：https://ydwen.github.io/papers/WenECCV16.pdf A Discriminative Feature Learning Approach for Deep Face Recognition 和contrastive loss的作用类似，就是和softmax 阅读全文
摘要：
论文链接与数据集下载：VGGFace—-Deep Face Recognition本文主要内容有二： 1）从零开始构建一个人脸识别数据库，一共 2.6M images, over 2.6K people，构建过 程主要是程序实现的，少量人工参与。 2）通过对比各种CNN网络，提出了一个简单有效的CN 阅读全文
摘要：
论文地址：Deep Learning Face Representation by Joint Identification-Verification 但是其主要的改进就是： 之前的softmax loss主要是用来增大类间差距，即两个不同类之间的差距 但是对类内差距的影响不大，其实就是希望同一个类 阅读全文
摘要：
参考：https://www.jianshu.com/p/7e200a487916 1.什么是softmax softmax是用于分类任务的，其实就是希望最后输出的结果值能在[0,1)之间，且归一化保证所有值的和为1 公式为： 下面的例子明白了为什么使用e次幂做除法了，因为分类其的输出Vi很可能是负 阅读全文
摘要：
python: /pytorch/third_party/ideep/mkl-dnn/src/cpu/jit_avx2_conv_kernel_f32.cpp:582: static mkldnn::impl::status_t mkldnn::impl::cpu::jit_avx2_conv_fw 阅读全文
摘要：
Abstract 迄今为止，精确度最高的目标探测器是基于R-CNN推广的两阶段方法，其中分类器应用于稀疏的候选对象位置集合。相比之下，对可能的目标位置进行常规、密集采样的单级探测器有可能更快、更简单，但迄今仍落后于两阶段探测器的精度。在这篇文章中，我们研究为什么会这样。我们发现，在高密度探测器的训练 阅读全文
摘要：
Abstract 我们为YOLO提供一些更新!我们做了一些小的设计上的改变来使它更好。我们还训练了这个非常棒的新网络。它比上次大了一点，但更准确。不过还是很快的，别担心。在320×320大小图片上， YOLOv3运行22毫秒，结果为28.2 mAP，和SSD一样准确，但比他快三倍。当我们以旧的 0. 阅读全文
摘要：
Abstract 我们介绍了YOLO9000，一个最先进的实时目标检测系统，可以检测超过9000个对象类别。首先，我们提出了对YOLO检测方法的各种改进，既有新颖之处，也有借鉴之处。改进后的YOLOv2模型在PASCAL VOC和COCO等标准检测任务上是最先进的。使用一种新颖的多尺度训练方法，YO 阅读全文