论文：https://arxiv.org/abs/1510.00149

论文：https://arxiv.org/abs/1506.02626

论文：https://arxiv.org/abs/1608.03665代码：https://github.com/wenwei202/caffe/tree/scnn1 核心思想前面两篇文章https://blog.csdn.net/cdknight_happy/article/details/110953977和https://blog.csdn.net/cdknight_happy/articl

1 查询版本信息import torchprint(torch.__version__) #查看pytorch版本信息print(torch.version.cuda) #查看pytorch所使用的cuda的版本号print(torch.backends.cudnn.version()) #查看pytorch所使用的cudnn的版本号print(torch.cuda.get_device_name

docker容器内部支持中文在Dockerfile中添加：RUN apt-get install -y locales && rm -rf /var/lib/apt/lists/*&& localedef -i zh_CN -c -f UTF-8 -A /usr/share/locale/locale.alias zh_CN.UTF-8ENV LANG z...

本文参考自：《Handbook of Face Recognition》 和https://zhuanlan.zhihu.com/p/57350424。1 概念人脸识别任务分为 人脸验证(1:1，Face Verification)和 人脸识别(1:N，Face Recognition) 两种。人脸验证是给定一对图像，判定是否是同一个人；人脸识别是给定一张图像，判断其是图像底库中的谁。性能度量需要

损失名称数学公式是否权重归一化是否特征归一化分类边界文章链接softmaxL=−1m∑i=1mlog⁡eWyiTxi+byi∑j=1neWjTxi+bjL = -\frac{1}{m}\sum_{i=1}^m\log\frac{e^{W_{y_i}^Tx_i+b_{y_i}}}{\sum_{j=1}^ne^{W_j^Tx_i+b_j}}L=−m1​∑i=1m​log∑...

论文：https://arxiv.org/abs/1908.062900 摘要前几年进行了大量使用CNN进行人脸识别的研究，但是，现有的这些通用CNN模型对有遮挡的人脸的识别效果较差。基于人眼在进行有遮挡的人脸识别时主要关注的是未被遮挡的区域这一事实，作者提出了一个掩模学习策略并忽视掉被遮挡区域的特征进行人脸识别。通过对遮挡-未遮挡的人脸图像的最后一个卷积层特征之间的差异学习得到了掩模字典，字..

转载自：https://blog.csdn.net/qq_41994006/article/details/81051150基本概念P-R曲线中，P为图中precision，即精准度，R为图中recall，即召回率。Example下面通过具体例子说明。首先用训练好的模型得到所有测试样本的confidence  score，每一类（如car...

论文：FaceNet: A Unified Embedding for Face Recognition and Clustering0 摘要FaceNet，直接把输入图像变成欧式空间中的特征向量，两个特征向量间的欧式距离就可以用来衡量两者之间的相似度。可以用在人脸验证、识别和聚类任务中。本文提出了三元组的概念，构建anchor - matching sample -unmatching s...