loss_function_search

(ICML2020) Pencarian Fungsi Hilang untuk Pengenalan Wajah

Xiaobo Wang*, Shuo Wang*, Cheng Chi, Shifeng Zhang, Tao Mei

Ini adalah implementasi resmi dari pencarian fungsi kerugian kami untuk pengenalan wajah. Itu diterima oleh ICML 2020.

Perkenalan

Dalam pengenalan wajah, merancang fungsi kerugian softmax berbasis margin (misalnya, sudut, aditif, margin sudut aditif) memainkan peran penting dalam mempelajari fitur-fitur diskriminatif. Namun, metode heuristik buatan tangan ini kurang optimal karena memerlukan banyak upaya untuk mengeksplorasi ruang desain yang besar. Pertama-tama kami menganalisis bahwa kunci untuk meningkatkan diskriminasi fitur sebenarnya adalah bagaimana mengurangi probabilitas softmax . Kami kemudian merancang formulasi terpadu untuk kerugian softmax berbasis margin saat ini. Oleh karena itu, kami mendefinisikan ruang pencarian baru dan mengembangkan metode pencarian berdasarkan penghargaan untuk mendapatkan kandidat terbaik secara otomatis. Hasil eksperimen pada berbagai tolok ukur pengenalan wajah telah menunjukkan efektivitas metode kami dibandingkan metode alternatif yang canggih.

Hasil

Ruang Pencarian Kami

Untuk memvalidasi efektivitas ruang pencarian kami, seseorang cukup memilih random-softmax. Di train.sh, Anda dapat mengatur do_search=1. Jika kita menggunakan softmax acak untuk melatih jaringan kita, kita mendapatkan hasil di bawah ini.

Bagaimana cara melatih

Prasyarat

Diperlukan Pytorch 1.1 atau lebih tinggi.

Persiapan data

Dalam implementasi saat ini, kami menggunakan lmdb untuk mengemas gambar pelatihan kami. Format lmdb kami sebagian besar berasal dari Caffe. Dan Anda dapat menulis file caffe.proto Anda sendiri sebagai berikut:

 syntax = "proto2";
message Datum {
    //the acutal image data, in bytes.
   optional bytes data=1;
}

Selain lmdb, harus ada file teks yang menjelaskan lmdb. Setiap baris file teks berisi 2 bidang yang dipisahkan oleh spasi. Baris dalam file teks adalah sebagai berikut:

 lmdb_key label

Kereta

./train.sh

Anda bisa menggunakan ./train.sh. PERHATIKAN bahwa sebelum Anda menjalankan train.sh, Anda harus menyediakan train_source_lmdb dan train_source_file Anda sendiri. Untuk penggunaan lebih lanjut, silakan

 python main . py - h