FaceNet - 편집 역사

Admin: /* FaceNet: A Unified Embedding for Face Recognition and Clustering */

2017-07-17T08:58:35Z

FaceNet: A Unified Embedding for Face Recognition and Clustering

2017-07-17T08:58:01Z

FaceNet: A Unified Embedding for Face Recognition and Clustering

2017-07-10T05:18:10Z

FaceNet: A Unified Embedding for Face Recognition and Clustering

2017-07-10T05:16:42Z

FaceNet: A Unified Embedding for Face Recognition and Clustering

2017-05-29T18:11:02Z

2017-05-29T18:03:24Z

FaceNet: A Unified Embedding for Face Recognition and Clustering

2017-05-24T09:12:58Z

FaceNet: A Unified Embedding for Face Recognition and Clustering

2017-05-24T09:11:16Z

FaceNet: A Unified Embedding for Face Recognition and Clustering

2017-05-24T07:11:43Z

FaceNet: A Unified Embedding for Face Recognition and Clustering

2017-05-24T01:08:51Z

FaceNet: A Unified Embedding for Face Recognition and Clustering

@@ 15번째 줄: / 15번째 줄: @@
 *** 이것을 줄이는 것이 learning의 목표
 *** 이 세개를 어떻게 선택할것인지도 중요하다&mdash; 쉽게 통과하는 세트는 별로 기여도가 없다.
 *** [[Person re-identification]]에도 [https://arxiv.org/abs/1703.07737 그대로 응용된 사례]가 있다.
 *;anchor-positive distance

@@ 15번째 줄: / 15번째 줄: @@
 *** 이것을 줄이는 것이 learning의 목표
 *** 이 세개를 어떻게 선택할것인지도 중요하다&mdash; 쉽게 통과하는 세트는 별로 기여도가 없다.
 **** 이런 어려운 set은 mini-batch안에서 일일이 찾는다.(online) cf. offline: find triplets every n steps using the most recent network and computing argmin/argmax on a subset of the data

@@ 14번째 줄: / 14번째 줄: @@
 *** [https://stackoverflow.com/questions/33330779/whats-the-triplet-loss-back-propagation-gradient-formula 질문/답변] 참조. 같은 넷에 세번 통과 후 gradients의 평균(?). 세개(=세번)의 loss가 있기 때문에 triplet loss.(?)
 *** 이것을 줄이는 것이 learning의 목표
-*** 이 세개를 어떻게 선택할것인지도 중요하다- 쉽게 통과하는 세트는 별로 기여도가 없다.
+*** 이 세개를 어떻게 선택할것인지도 중요하다&mdash; 쉽게 통과하는 세트는 별로 기여도가 없다.
 **** 이런 어려운 set은 mini-batch안에서 일일이 찾는다.(online) cf. offline: find triplets every n steps using the most recent network and computing argmin/argmax on a subset of the data

@@ 12번째 줄: / 12번째 줄: @@
 *** Mahalanobis distance matrix배우는 과정으로 대강 이해.
 ** Triplet Loss: \(f\)를 \(d\) dimension '''embedding'''이라고 할 때, triplet loss는 margin을 고려한 2-norm error의 차. $$ \large \Sigma[ ||f(a) -f(p)||^2 - ||f(a)-f(n)||^2 + \alpha ]_+$$ \(a,p,n\)은 triplet, \(\alpha\)는 margin. \(||f(x)||=1\)로 normalized.
-*** [https://stackoverflow.com/questions/33330779/whats-the-triplet-loss-back-propagation-gradient-formula 질문/답변] 참조. 같은 넷에 세번 통과 후 gradients의 평균 취하는 듯. 세개(=세번)의 loss가 있기 때문에 triplet loss라고 불리는 듯.
+*** [https://stackoverflow.com/questions/33330779/whats-the-triplet-loss-back-propagation-gradient-formula 질문/답변] 참조. 같은 넷에 세번 통과 후 gradients의 평균(?). 세개(=세번)의 loss가 있기 때문에 triplet loss.(?)
 *** 이것을 줄이는 것이 learning의 목표
 *** 이 세개를 어떻게 선택할것인지도 중요하다- 쉽게 통과하는 세트는 별로 기여도가 없다.

@@ 12번째 줄: / 12번째 줄: @@
 *** Mahalanobis distance matrix배우는 과정으로 대강 이해.
 ** Triplet Loss: \(f\)를 \(d\) dimension '''embedding'''이라고 할 때, triplet loss는 margin을 고려한 2-norm error의 차. $$ \large \Sigma[ ||f(a) -f(p)||^2 - ||f(a)-f(n)||^2 + \alpha ]_+$$ \(a,p,n\)은 triplet, \(\alpha\)는 margin. \(||f(x)||=1\)로 normalized.
-*** [https://stackoverflow.com/questions/33330779/whats-the-triplet-loss-back-propagation-gradient-formula 질문/답변] 참조. 같은 넷에 세번 통과 후 평균 취하는 듯. 세개(=세번)의 loss가 있기 때문에 triplet loss라고 불리는 듯.
+*** [https://stackoverflow.com/questions/33330779/whats-the-triplet-loss-back-propagation-gradient-formula 질문/답변] 참조. 같은 넷에 세번 통과 후 gradients의 평균 취하는 듯. 세개(=세번)의 loss가 있기 때문에 triplet loss라고 불리는 듯.
 *** 이것을 줄이는 것이 learning의 목표
 *** 이 세개를 어떻게 선택할것인지도 중요하다- 쉽게 통과하는 세트는 별로 기여도가 없다.

@@ 2번째 줄: / 2번째 줄: @@
 * CVPR2015
 * 구현 : [[OpenFace]]
 * 128 byte feature를 뽑아낸다. 이걸로 verification(같은 얼굴이냐)하거나 recognition(누구냐)하든 clustering(비슷한 얼굴끼리 묶음)하든 마음대로.

← 이전 판		2017년 5월 24일 (수) 09:11 판
41번째 줄:		41번째 줄:
	\|260M \|\|86.2%		\|260M \|\|86.2%
	\|}		\|}
		+	* clustering도 상당히 잘 되는듯 했다. (euclidean이니 뭐... 당연한듯)

@@ 30번째 줄: / 30번째 줄: @@
 *220x220에서 학습되었지만 120x120까지 거의 성능이 저하되지 않았고 80x80까지도 상당히 정확했다.<br>JPGE압축퀄리티 20까지도 괜찮았다.
-*embedding을 256dim으로 바꾸어도 성능의 향상이 없었으며, 그 이상 늘리면 성능이 저하된다. 더 많은 데이터가 필요할 것이다. 64로 줄여도 성능의 저하가 크지 않았다(87.9→86.8). Refer Table 5. Embedding Dimensionality
+*embedding을 256dim으로 바꾸어도 성능의 향상이 없었으며, 그 이상 늘리면 성능이 저하된다. (dim을 늘리려면) 더 많은 데이터가 필요할 것이다. 64로 줄여도 성능의 저하가 크지 않았다(87.9→86.8). Refer Table 5. Embedding Dimensionality
 *Table 6. Training Data Size
 {| class=wikitable