ترجمه مقاله حداقل اتلاف حاشیه ای برای تشخیص چهره عمیق – نشریه الزویر

عنوان فارسی: | حداقل اتلاف حاشیه ای برای تشخیص چهره عمیق |
عنوان انگلیسی: | Minimum margin loss for deep face recognition |
تعداد صفحات مقاله انگلیسی : 9 | تعداد صفحات ترجمه فارسی : 21 |
سال انتشار : 2020 | نشریه : الزویر - Elsevier |
فرمت مقاله انگلیسی : pdf | فرمت ترجمه مقاله : pdf و ورد تایپ شده با قابلیت ویرایش |
فونت ترجمه مقاله : بی نازنین | سایز ترجمه مقاله : 14 |
نوع مقاله : ISI | نوع نگارش : مقالات پژوهشی (تحقیقاتی) |
پایگاه : اسکوپوس | نوع ارائه مقاله : ژورنال |
ایمپکت فاکتور(IF) مجله : 7.346 در سال 2018 | شاخص H_index مجله : 180 در سال 2019 |
شاخص SJR مجله : 1.363 در سال 2018 | شناسه ISSN مجله : 0031-3203 |
شاخص Q یا Quartile (چارک) : Q1 در سال 2018 | کد محصول : 10599 |
محتوای فایل : zip | حجم فایل : 5.42Mb |
رشته و گرایش های مرتبط با این مقاله: مهندسی کامپیوتر، هوش مصنوعی، مهندسی الگوریتم ها و محاسبات |
مجله: تشخیص الگو - Pattern Recognition |
دانشگاه: دانشکده محاسبات، دانشگاه اولستر در جردنستاون، انگلستان |
کلمات کلیدی: یادگیری عمیق، شبکه های عصبی کانولوشنی (CNN)، تشخیص چهره، حداقل اتلاف حاشیه ای (MML) |
کلمات کلیدی انگلیسی: Deep learning - Convolutional neural networks - Face recognition - Minimum margin loss |
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓ |
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است ✓ |
وضعیت ترجمه منابع داخل متن: به صورت عدد درج شده است ✓ |
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است ✓ |
ضمیمه: ندارد |
بیس: نیست ☓ |
مدل مفهومی: ندارد ☓ |
پرسشنامه: ندارد ☓ |
متغیر: ندارد ☓ |
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله |
رفرنس در ترجمه: در داخل متن و انتهای مقاله درج شده است |
doi یا شناسه دیجیتال: https://doi.org/10.1016/j.patcog.2019.107012 |
چکیده
1. مقدمه
2. از تابع Softmax Loss تا تابع حداقل اتلاف حاشیه ای
1-2 Sotmax Loss و Center Loss
2-2 اتلاف حاشیه ای و اتلاف محدوده
3-2 حداقل اتلاف حاشیه ای پیشنهادی
4-2 بحث
3. آزمایش ها
1-3 جزئیات آزمایش
2-3 تحلیل تاثیر بر پارامترهای β و M
3-3 چالش اول MegaFace در مجموعه داده FaceScrub
4-3 مقایسه با بهترین روش ها در مجموعه داده های LFW و YTF
5-3 مقایسه بیشتر در مجموعه داده SLLFW
6-3 نتایج براساس مجموعه داده های IJB-B و IJB-C
4. نتیجه گیری
Abstract
Face recognition has achieved great success owing to the fast development of deep neural networks in the past few years. Different loss functions can be used in a deep neural network resulting in different performance. Most recently some loss functions have been proposed, which have advanced the state of the art. However, they cannot solve the problem of margin bias which is present in class imbalanced datasets, having the so-called long-tailed distributions. In this paper, we propose to solve the margin bias problem by setting a minimum margin for all pairs of classes. We present a new loss function, Minimum Margin Loss (MML), which is aimed at enlarging the margin of those overclose class centre pairs so as to enhance the discriminative ability of the deep features. MML, together with Softmax Loss and Centre Loss, supervises the training process to balance the margins of all classes irrespective of their class distributions. We implemented MML in Inception-ResNet-v1 and conducted extensive experiments on seven face recognition benchmark datasets, MegaFace, FaceScrub, LFW, SLLFW, YTF, IJB-B and IJB-C. Experimental results show that the proposed MML loss function has led to new state of the art in face recognition, reducing the negative effect of margin bias.
چکیده
تشخیص چهره به موفقیت عظیمی دست یافته است که دلیل اصلی آن توسعه سریع شبکه های عصبی عمیق (DNN) در چند سال اخیر است. کارکردهای مختلف اتلاف در یک شبکه عصبی عمیق قابل استفاده است که منجر به عملکرد متفاوتی می شود. اخیراً برخی از کارکردهای تلفات پیشنهاد داده شده است. با این حال، آن ها نمی توانند مساله تمایل حاشیه ای را که در مجموعه داده های غیر متعادل وجود دارد حل کنند. در این مقاله حل مساله تمایل حاشیه ای را با تعیین یک حاشیه حداقلی برای تمامی زوج کلاس ها (دسته ها) پیشنهاد می دهیم. ما تابع اتلاف جدیدی به نام حداقل اتلاف حاشیه ای (MML) پیشنهاد می دهیم که هدف آن گسترش محدوده آن هایی است که به زوج های مرکزی دسته بیش از حد نزدیک می شوند تا قابلیت متمایز کننده ویژگی های عمیق را ارتقاء دهد. تابع MML همراه با توابع Softmax Loss و Centre Loss بر فرآیند آموزش نظارت می کنند تا حاشیه های تمامی دسته ها را صرف نظر از توزیع دسته آن ها مورد نظارت قرار دهند. ما تابع MML را در پلتفورم Inception-ResNet-v1 پیاده سازی می کنیم و آزمایش های گسترده ای را بر روی هفت مجموعه داده تشخیص چهره انجام می دهیم که شامل MegaFace، FaceScrub، LFW، SLLFW، YTF، IJB-B و IJB-C است. نتایج تجربی نشان می دهد که تابع اتلاف MML پیشنهادی منجر به حالت جدیدی در تشخیص چهره می شود و اثر منفی تمایل حاشیه ای را کاهش می دهد.