SNResNet: A New Architecture Based on SqNxt Blocks and Rish Activation for Efficient Face Recognition
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we present a novel face recognition architecture based on the Inception-ResNet framework, called SNResNet.The Inception-ResNet architecture, is effective in computer vision applications but exhibits limitations such as computational complexity, high memory consumption, and data dependency.It uses the ReLU activation function and softmax loss function which are not best-suited for face recognition.The proposed SNResNet uses triplet loss as the loss function to be able to train the model on large datasets.The advantages of the triplet loss over the softmax are handling one-shot learning, robustness to class imbalance and fine-grained discrimination.The ReLU activation function rejects all negative values that in some applications reduce the accuracy of the model.To overcome this problem, we introduced a new activation function called Rish which has better performance.In addition, we optimized the Inception-ResNet-B block using the SqNxt block to control the model's computational costs.The CASIA-WebFace dataset is used to train the models.This dataset has some challenges; e.g., some photos have more than one face, and all faces have a background.Preprocessing conditions are defined to identify and align the correct face.SNResNet achieves 94.63% accuracy on CASIA-WebFace.Performance evaluation on the LFW benchmark database yields an impressive accuracy of 99.68%, surpassing the standard model's accuracy of 98.85%.Further, we reduced the FLOPS of the Inception-ResNet model by 15.61% which indicates a lower computational cost and a faster model for face recognition.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle