基于 von Mises-Fisher 混合模型的深度学习：在人脸验证中的应用
计算机视觉与模式识别
2018-01-03 v2
摘要
许多模式识别任务（例如人脸验证）可归结为单位长度方向特征向量的分类或聚类，其距离可简单地通过它们的角度来计算。在本文中，我们提出将 von Mises-Fisher (vMF) 混合模型作为此类方向特征有效深度学习的理论基础，并推导出新颖的 vMF 混合损失及其对应的 vMF 深度特征。所提出的 vMF 特征学习实现了判别式学习的特性，即紧致同类实例的同时增大不同类实例之间的距离。此外，它包含了多种流行的损失函数以及深度学习中的一种有效方法，即归一化。我们使用 4 个不同的挑战性人脸数据集（即 LFW、YouTube faces、CACD 和 IJB-A）进行了广泛的人脸验证实验。结果表明，所提方法在 LFW、YouTube faces 和 CACD 数据集上取得了 state-of-the-art 结果，在 IJB-A 数据集上取得了有竞争力的结果，证明了其有效性和出色的泛化能力。
引用
@article{arxiv.1706.04264,
title = {von Mises-Fisher Mixture Model-based Deep learning: Application to Face Verification},
author = {Md. Abul Hasnat and Julien Bohné and Jonathan Milgram and Stéphane Gentric and Liming Chen},
journal= {arXiv preprint arXiv:1706.04264},
year = {2018}
}
备注
Under review