传统的面部识别方法即使在图片中面部模糊的情况下,耶给出确定的面部识别特征
事实上,这种模糊的代表着数据的不确定性,这个网络向我们展示了在不确定视角下,简单的回归任务和面部识别回归任务共享同样的模式
在这篇论文中,我们展示了每个面部作为一个高斯分布去建模这种不确定性,同时我们提出两种方法去优化模型
方法一:我们从分布中抽样,得到一个stochastic嵌入。然后喂进一个分类器
方法二:我们微调最后一个全连接层
这是我们的方法在主要任务上的性能,超过 了过去的方法
传统的面部识别方法即使在图片中面部模糊的情况下,耶给出确定的面部识别特征
事实上,这种模糊的代表着数据的不确定性,这个网络向我们展示了在不确定视角下,简单的回归任务和面部识别回归任务共享同样的模式
在这篇论文中,我们展示了每个面部作为一个高斯分布去建模这种不确定性,同时我们提出两种方法去优化模型
方法一:我们从分布中抽样,得到一个stochastic嵌入。然后喂进一个分类器
方法二:我们微调最后一个全连接层
这是我们的方法在主要任务上的性能,超过 了过去的方法
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1162944.html
如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!