您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. sphereface

  2. sphereface的pytorch实现代码,2017的一篇cvpr,SphereFace: Deep Hypersphere Embedding for Face Recognition,继centerloss之后又一大作。 文章主要提出了归一化权值(normalize weights and zero biases)和角度间距(angular margin),基于这2个点,对传统的softmax进行了改进,从而实现了,最大类内距离小于最小类间距离的识别标准。
  3. 所属分类:深度学习

    • 发布日期:2018-04-16
    • 文件大小:22020096
    • 提供者:weixin_41976380
  1. deepcnn人脸识别center loss(discriminative feature learning)

  2. Convolutional neural networks (CNNs) have been widely used in computer vision community, significantly improving the state-ofthe- art. In most of the available CNNs, the softmax loss function is used as the supervision signal to train the deep model
  3. 所属分类:深度学习

    • 发布日期:2018-05-22
    • 文件大小:2097152
    • 提供者:qq_23524663
  1. Python-人脸识别算法结合facenet网络结构和centerloss作为损失

  2. 人脸识别算法,结合facenet网络结构和center loss作为损失,基于tensorflow框架,含训练和测试代码,支持从头训练和摄像头测试
  3. 所属分类:其它

    • 发布日期:2019-08-11
    • 文件大小:17825792
    • 提供者:weixin_39840387
  1. caffe-face(Center Loss工程源码).zip

  2. Center Loss工程源码,源地址:https://github.com/ydwen/caffe-face
  3. 所属分类:深度学习

    • 发布日期:2020-02-21
    • 文件大小:7340032
    • 提供者:duan19920101
  1. centerloss:IJCV中“深度面部识别中心丢失综合研究”论文的源代码和模型-ce source code

  2. 该分支是论文“中心损失的综合研究”的实施。 Implement_Details 总体流程与中心丢失( )相同。 在本文中,我们使用 , 有关删除重叠ID的详细信息,请参阅 预处理我们使用MTCNN( )检测五个面部关键点并使用它们来对齐面部。 有关对齐的详细信息,请参见 培训有关培训的详细信息,请参见prototxt。 请注意,我们使用的批量大小为512。 损失层 中心损失和广义中心损失 layer { name: "generalized_center_
  3. 所属分类:其它

    • 发布日期:2021-03-25
    • 文件大小:145408
    • 提供者:weixin_42160376
  1. CenterLoss在MNIST上的实现

  2. MNIST特征提取解释图像识别之CenterLoss 一、提出问题        在图像识别中,一个很关键的要素就是图像中提取出来的特征,它关乎着图像识别的精准度。而通常用的softmax输出函数提取到的特征之间往往接的很紧,无太大的明显界限。在根据这些特征做识别的时候会出现模拟两可的情况,那么怎么让提取到的特征之间差异性更大从而提高识别的正确率就成了图像识别的一个重大问题。 二、解决办法:       有研究就提出了解决问题的方法:减小类内聚,增大类间距,于是就有了后面的CenterLoss和
  3. 所属分类:其它

    • 发布日期:2021-01-20
    • 文件大小:201728
    • 提供者:weixin_38572115
  1. crnn_ctc-centerloss:ctcloss + centerloss crnn文本识别-源码

  2. crnn_ctc-centerloss 2020.12.27更新 使用最后一层全连接层输入的功能作为处理对象,即缩小这一功能的类内距离 实现功能和标签的对齐,主要解决了预测重复,预测漏字时的对齐问题(需要tf1.15) 增加对关键指标的计算和追踪,训练过程更直观,方便debug(需要tf1.15) 中心之间的距离 字符距离自己中心,形近字中心的距离 经过训练,字符距离差增大,预测置信度和距离差拥有一定相关性 增加feature的可视化,使用tensorboard的嵌入投影仪,方便调试 # 生成
  3. 所属分类:其它

    • 发布日期:2021-04-01
    • 文件大小:2097152
    • 提供者:weixin_42116650