XC7A200T-1FB484C
日期：2019-3-27摘要：北京显易科技有限公司小曹： 010-51987308 ；
QQ:1306610685；企业QQ:800062492
邮箱：bjxianyi-4@163.com 网址: www.ic158.com
北京显易科技有限公司小曹： 010-51987308 ；
QQ:1306610685；企业QQ:800062492
邮箱：bjxianyi-4@163.com 网址: www.ic158.com
大量优势库存
现有方法在训练这种数据时会遇到巨大的挑战，例如类内变化不足使得训练难以收敛以及海量样本数对计算设备的极端要求。为此，中国科学院自动化研究所针对真实场景下的人证核验问题，提出了基于深度学习的大规模双样本学习方法，解决了双样本数据带来的类内变化不足问题和海量样本数计算压力大的问题。
目前，深度学习在人脸识别界具有统治地位，基于分类的训练方法是主流，其将每个人当作独立的类别，并使用softmax进行分类训练。近两年SphereFace，CosFace以及InsightFace进一步引入了边界裕量(margin)来提高识别网络的可扩展性，在公开测试集上取得了领先性能。然而，softmax的计算消耗与类别数直接相关。在实际应用中，百万类甚至千万类的分类会对训练平台产生极大压力，普通训练平台(如8卡TITANX)甚至无法训练，给主流方法的应用带来了困难。
自动化所朱翔昱、雷震等研究人员提出的大规模双样本学习方法包括两个方面，一是提出了一种分类-验证-分类(CVC)的训练策略来逐步提高实际场景中的性能，二是针对大规模分类问题提出了DP-softmax使得深度学习在超大规模类别的分类上具有可扩展性。