||
题目:Deep discriminant generation-shared feature learning for image-based kinship verification
刊物:Signal Processing: Image Communication
出版日期:2021.11.15
==============================================
直接简要说明文章思路,原理图如下
解析:整个模型包括特定代特征学习和代共享特征学习,然后加上损失函数组合,进行端到端的训练。
其实这篇文章思路并不是很复杂,也许很多人也尝试过这个思路,但亮点有以下几部分:
1. 特定代特征学习,一般采用共享模型参数,但本文的特定代特征学习网络参数并不共享,因为规定了某一支路学习对象是父辈或子辈,个人认为这样可能在一定程度上缓解父母和子女因年龄差距而造成的特征鸿沟;
2. 多种损失函数的设置和组合
本文采用5种损失函数,如图
分别是血缘关系损失项、家庭身份损失(自己设计,局部损失)、三元组损失(全局损失)、对判别性损失(自行设计)
(1) Kin loss term
这一项采用二进制交叉熵损失
(2) Family identity based generation loss term
这一损失包含两项
代内损失(Intra-generation Loss Term:父母和子女图像属于某一家庭的条件概率的log值加权和)
()
代间损失(Cross-generation loss term:将父母和子女的特征图平均分成m个水平条分解计算某一部分属于某一家庭的条件概率的log值并求和)
(3) Holistic feature based triplet loss term三元组损失项
(4) Pairwise discriminant term
目的:有血缘关系的样本对距离尽可能的近,无血缘关系样本对的距离尽可能的远
实验结果:这里只放一组
启发:1.用不同网络提取不同代的特征;2.将家族信息融入训练过程
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-10-19 22:06
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社