深度篇——人脸识别(一) ArcFace 论文 翻译
返回主目录
返回 人脸识别 目录
下一章:深度篇——人脸识别(二) 人脸识别代码 insight_face_pro 项目讲解
目录内容:
深度篇——人脸识别(一) ArcFace 论文 翻译
深度篇——人脸识别(二) 人脸识别代码 insight_face_pro 项目讲解
论文地址: 《ArcFace: Additive Angular Margin Loss for Deep Face Recognition》
源码地址: InsightFace: 2D and 3D Face Analysis Project
本小节,ArcFace 论文 翻译,下一小节 人脸识别代码 insight_face_pro 项目讲解
一. ArcFace 论文 翻译
1. 概述
使用深度卷积神经网络(Deep Convolutional Neural Networks, DCNNs) 来学习大规模人脸识别特征 的一个主要挑战是设计一个适当的损失函数来增强识别的能力。中心损失弥补(惩罚,类似于正则项) 了欧氏空间中深度特征与对应类别中心之间的距离,从而使得类内紧凑而简洁。SphereFace 假设在最后全连接层对矩阵进行线性变换可以作为在角空间中类中心的代表,并对深度特征和其对应权重之间的角度进行乘法补偿(惩罚,类似于正则项)。最近,一个流行的方向是将边缘信息纳入到已确定的损失函数中,并以此来最大限度地提高面类可分性。在本论文中,我们提出一种 边缘夹角附加损失(Additive Angular Margin Loss, AAML) (ArcFace) 来获得人脸识别的高可辨特征。我们所提出的 ArcFace 由于在超球面精确对应其球面距离, 所以其具有清晰的几何可解释性。我们使用超过 10 个目前最好的人脸识别方法(有争议的) 进行最广泛的评估实验,其中包括 一个拥有万亿级配对的新型大规模图像数据库和一个大规模视频数据集。通过这些实验,我们证明了 ArcFace 始终超越那些目前最好的人脸识别方法,并且它的实现非常简单,而计算开销基本可以忽略不计。我们开源所有优化过的训练数据,训练代码,预训练模型和训练日志,这将有助于别人对本论文进行探索,并获得更好的结果(开源,鼓励大家去探索,并在这个方向获得更好的研究结果)。
2. 介绍
使用嵌入式的深度卷积神经网络(DCNNs) 是人脸识别的首选方法。人脸图像的 DCNNs map 通过一个姿态归一化步骤处理后,变成一个内类小距离和内类大距离的特征。
对于训练人脸识别的 DCNNs ,目前有两条主流研究方向。一种是使用一个 softmax 分类器来训练能够在训练集上区分不同的身份的多类分类器,另一种则是直接学习一个嵌入式分类器,例如 triplet loss (三重损失,即 3 个损失函数)。基于大规模训练数据集和精细的 DCNN 结构,这两者都是基于 softmax-loss 和 基于 triple-loss 的方法,它们在人脸识别上获得卓越的性能。然而,无论是 softmax loss 还是 triplet loss 都有一些缺点。
对于 softmax loss:
(1). 线性变换矩阵 的大小随着常数 n 线性递增(d 为维度,n 可以理解为 n 分类,分类数大,矩阵必然大)。
(2). 所学习到的特征对于闭合分类问题是可分离的,但对于开放类型的(即识别类别不是固定的,而是无限大的) 人脸识别问题是识别能力欠缺的。
对于 triplet loss:
(1). 人脸 triplets 数量会出现一个组合爆炸,特别是对于大规模数据集,它会导致迭代步骤显著增加。
(2). 而有效训练模型的一个非常困难的问题是: semi-hard 样本采样(semi-hard 样本采样: negative example 与 anchor 距离大于 anchor 与 positive example 的距离,但还不至于使得loss, 即 )。
现在已经提出了几种变体函数来提升 softmax loss 的分类能力。Wen 等人首创 的 centre loss,它通过每个特征向量与其类中心之间的欧氏距离来获得类内的紧凑性,而通过对 softmax loss 联合惩罚项来控制类间的离散性。然而,在训练期间更新真实的中心是极其困难的,因为可供训练的人脸类别数量会急剧增加
通过观察,最后一个全连接层关于 DCNN 训练分类的 softmax loss 的权重 承担与每一个人脸类别中心概念的相似性,并提出一个乘法的边缘夹角惩罚项来执行额外的类内的紧凑和类间的差异,从而导致训练模型具有更好的辨别能力。尽管 Sphereface 引入了边缘夹角这一重要思想,但是它的损失函数需要一系列的近似值才能被计算出来,这就导致该网络的训练波动很大。为了能稳定训练,它们提出了包含标准 softmax loss 的混合损失函数。按照以往的经验,softmax loss 在训练过程中起着主导作用,因为基于整数乘法的边缘夹角会使得目标对数曲线非常陡峭,从而使得它难以收敛。与 Sphereface 相比,CosFace 直接在目标对数中加入余弦距离惩罚项来获得更好的性能,但实现起来更容易,并使得联合监督摆脱了对 softmax loss 的需要。
在本论文,我们提出一种 边缘夹角附加损失(Additive Angular Margin Loss, AAML) (ArcFace) 来进一步提升人脸识别模型辨别能力和训练过程的稳定性。DCNN feature 和 最后一个全连接层的点积等于 feature 和 weight 归一化之后的余弦距离,如下图Figure 2 所示:
我们利用反余弦函数来计算当前的 feature 和 目标 weight 之间的角度。然后,我们给目标角度添加一个附件的边缘夹角,并通过余弦函数来恢复得到目标对数。之后,我们根据固定 feature norm 来重新调节所有的对数,并且随后的步骤在 softmax loss 中恰好相同。我们提出的 ArcFace 方法优点总结如下:
Engaging. ArcFace 利用 归一化后的超球面的角度和弧度之间精确的对应关系来直接优化球面距离的边缘。我们通过分析 feature 和 weights 之间的角度统计来直观说明在 512-D 空间中发生了什么。
Effective. ArcFace 在 包括 大规模图像和视频数据集 的 10 个人脸识别基准上获得了最佳性能。
Easy. ArcFace 对于上图 Figure 2 中的 Algorithm 1 只需几行代码就搞定,并且对基于计算图形的深度学习框架(如,MxNet, Pytorch 和 TensorFlow 等) 是非常容易实现的。此外,ArcFace 不需要与其他损失函数结合就获得稳定的性能,并且对于任何训练数据集都很容易收敛。
Efficient. ArcFace 在训练过程中只增加了一点微不足道的计算复杂度。当前 GPUs可以很容易支持训练百万级身份(意思是,百万级个不同人脸训练),而模型并行策略可以很容易支持更多的身份。
3. 提议方法
(1). ArcFace
使用最广泛的分类损失函数 softmax loss 表示如下:
, 表示第 个样本特征的深度, 它属于第 个类别。 本论文将嵌入特征的维度 设置为 512。
表示 权重 中的 第 列,而 则是它的 bias 项。
表示 batch size 大小。
表示 类别数。
传统的 softmax loss 在深度人脸识别中得到了广泛应用。然而,softmax loss 函数并不能明确对类内样本的相似性和类间样本的差异性 执行更高的特征嵌入优化,从而导致在大量的类内外观变化(例如,姿态变化、年龄差异) 和 大规模的测试场景(例如 百万、万亿 个 匹配) 下深度人脸识别性能存在巨大的差异。
为了简洁明了,我们固定 bias 。之后,我们将对数转换为: ,其中 为权重 和 特征 之间的夹角。 紧接着,我们通过 归一化处理来固定个别权重 。再之后,我们同样通过 归一化处理来固定嵌入特征 ,并将其缩放到 。feature 和 weight 的归一化步骤使得预测值仅依赖于 feature 和 weight 之间的夹角。因此,学习到的嵌入 feature 分布在半径为 的超球面上(意思是,将人脸特征分布到半径为 的超球面上)。
由于嵌入特征是围绕着超球面上的每个特征的中心分布的,我们在 和 之间增加一个边缘夹角附件惩罚项,来同时增强类内的紧凑性和 类间的差异性。由于提出的边缘夹角附件惩罚项等于规范化超球面上的球面距离边缘惩罚,我们将该方法命名为 ArcFace。
我从 8 个包含足够样本的不同身份人脸数据(意思是不同人的人脸图像数据,大概 每个人有1500 图像)选择人脸图像,分别使用 softmax loss 和 ArcFace loss 训练 2-D 特征嵌入网络。 softmax loss 提供大致可分离的嵌入特征,但在决策边界却会产生明显的模糊;而 ArcFace loss 则能使最相近的类之间产生明显的差异(即能使相似而不同的类产生明显的差异,有利于区分)。具体如下图 Figure 3. 所示:(softmax loss 的类与类之间相接,边界模糊,不容易区分;而 ArcFace loss 类与类之间不相接,没有模糊边界,容易区分)
(2). CosFace 与 SphereFace 的比较
数值相似. 在 SphereFace、ArcFace 和 CosFace 中,提出了 3 种不同的边缘惩罚项,即分别为 边缘夹角乘法惩罚 、边缘夹角附加惩罚 、边缘余弦附加惩罚 。从数值分析角度看,无论是增加夹角空间还是余弦空间,不同的边缘惩罚项上都是通过目标对数惩罚项来增强类内的紧凑性和类间的差异性。下图 Figure 4(b) 是我们分别在 SphereFace、ArcFace 和 CosFace 的最佳边缘设置下所绘制的目标对数曲线。
而上图 Figure 4(a) 是目标对数曲线在 [20°, 100°] 的展示,因为在 ArcFace 训练期间 与 之间的夹角从 90° 附近开始 (随机初始化) ,并在 30° 附近 结束。在直观上,在目标对数曲线中有 3 个因素会影响它的性能:即 起点、斜率 和 终点。
通过结合所有的边缘惩罚项,我们在一个统一的框架下实现 SphereFace, ArcFace 和 CosFace,并以 , 和 作为超参数:
如上图 Figure 4(b) 所示,通过结合上述所有的动态边缘 ,我们很容易就能够达到其他一些高性能的目标对数曲线(即获得与那些高性能目标一样的性能)。
几何差异. 尽管 ArcFace 与之前的工作在数值上相似,但由于边缘夹角可以准确的对应球面距离,因此所提出的附件边缘夹角具有更好的几何特性。我们将 softmax、SphereFace、CosFace 与 ArcFace 的二分类情况下的决策边界进行比较,如 下图 Figure 5 所示:
通过比较发现,SphereFace 和 CosFace 只有一个非线性的夹角边缘。
在模型训练时,边缘设计尽管只是微小的差异,也会产生 "蝴蝶效应" 而导致最后差异悬殊。例如,原始的 SphereFace 使用退火优化策略。为了避免训练开始时出现的差异,SphereFace 使用 softmax 的联合监督来弱化乘法边缘惩罚。我们实现了一个新版本的 SphereFace ,它在边缘上没有要求整数型,而是通过使用反余弦函数来替代复杂的倍角公式。在我们的实现中,我们发现 可以获得与 原始 SphereFace 相似的性能,并在收敛上没有任何困难。
(3). 与其他 losses 的比较
基于 feature 和 weight 向量 的夹角,还可以设计出其他损失函数。例如,我们可以设计一个损失函数来增强超球面上类内的紧凑性和类间的差异性。下图 Figure 1. 中展示的是本论文中 3 个 losses 的比较。
内部损失 的设计是通过缩小样本与 ground truth centre 之间 角度/弧度 来提升类内的紧凑性。
外部损失 的目标是通过增大不同中心点之间的 角度/弧度 来提升类间的差异性。
外部损失在这里只是 最小超球能力(Minimum Hyper-spherical Energy, MHE) 方法中的一个特例。隐藏层和输出层通过 MHE 来正则化。在 MHE 的论文中,通过将网络最后一层的 SphereFace loss 和 MHE loss 结合起来 提出了一种 损失函数的 特例。
三元损失 旨在扩大 triplet samples 之间的边缘弧度。在 FaceNet 中,在归一化 features 上使用欧氏边缘。这里,我们采用 triplet-loss,并通过 features 所代表的角度 表示为 。
4. 实验
(1). 实现细节
数据集. 为了与其他方法相比较时能公平起见,我们分别使用(包括 MS1M-DeepGlint 和 Asian-DeepGlint) 在内的 CASIA、VGGFace2、MS1MV2 和 DeepGlint-Face 来作为训练数据。如下表 Tabel 1 所示:
请注意,前面所提出的 MS1MV2 是 MS-Cele-1M 数据集的半自动优化版本。具我们所知,我们是第一个对大规模人脸图像注释使用特定种群注释器的人,因为如果注释器不熟悉身份(identity) 的话,事物的边界(例如 hard samples 和 noisy samples) 是很难区分的。在训练过程中,我们探索有效的人脸验证数据集(例如,LFW、CFP-FP、AgeDB-30) 来检验不同设置所得到的提升。除了被使用最广泛的 LFW 和 YTF 数据集外,我们同样对 ArcFace 在最近 大姿态和大年龄数据集(如 CPLFW 和 CALFW) 进行了性能报告。我们同样也在大规模图像数据集(例如,MegaFace、IJB-B、IJB-C 和 Trillion-Pairs) 和 视频数据集(iQIYI-VID) 上对所提出的 ArcFace 进行了广泛的测试。
实验设置. 对于数据预处理,我根据最新的论文通过利用 5 个 面部点来生成归一化的人脸裁剪图(112 x 112)。对于嵌入网络,我们采用广泛使用 CNN 架构的 ResNet50 和 ResNet100。在最后一个卷积层之后,我们研究 BN-Dropout-FC-BN 结构来获得最后 512-D 的嵌入特征。在本论文,我们使用([训练数据集,网络结构,损失]) 来帮助理解实验的设置。
我们随后将特征的尺度 设置为 64,并选择 ArcFace 的边缘夹角 为 0.5。在本论文中,我们所有的实验都是通过 MXNet 来实现的。我们将 batch size 设置为 512,并在 4 块 NVIDIA Tesla P40 GPUs(24GB) 上训练模型。对于 CASIA 数据,开始学习率设置为 0.1,当迭代到 20K 和 28K 次时 再分别将学习率 除以 10(即缩小为之前的 十分之一)。当我们训练到 32K 个迭代次数时,结束训练。对于 MS1MV2 数据集,我们分别在 100K 和 180K 个迭代次数时将学习率除以 10,并在 180K 个迭代次数之后结束训练。我们将动量设置为 0.9,衰减率为 5e - 4。在测试时,我们仅保存特征嵌入网络,而丢弃掉全连接层(ResNet50 为 160MB,ResNet100 为 250MB),并对每张归一化的人脸图像提取 512-D 特征(ResNet50 为 8.9ms/face,ResNet100 为 15.4ms/face)。我们只需简单计算模板中所有图像 或 视频中的所有帧 的特征中心,便可获得模板(例如 IJB-B 和 IJB-C) 或视频(l例如,YTF 和 iQIYI-VID) 的嵌入特征。请注意,训练集和测试集之间的重叠身份(identities) 必须被移除,以便于进行严格的评估,并且我们对于所有的测试都仅使用单一的裁剪人脸图像(意思是,测试时,一次只跑一张图像)。
(2). 在 losses 上的对比研究
我们首先探索的是 ArcFace 在 CASIA 数据集和 ResNet50 下的边缘夹角的设置。在我们的实验中,最佳的边缘观察值为 0.5。如下表 Table 2. 所示:
利用公式 (4) 中提出的边缘框架组合,对于 SphereFace 和 CosFace 很容易设置它们的边缘,并且发现当它们的设置分别为 1.35 和 0.35 时可获得最优的性能。我们对 SphereFace 和 CosFace 的实现获得了杰出的性能,在收敛上观察不到任何困难。在 3 个测试数据上,ArcFace 获得了最高的验证精度。此外,通过上图 Figure 4(b) 的目标对数曲线指导下,我们结合边缘框架(观察到在 CM1(1,0.3,0.2) 和 CM2(0.9,0.4,0.15) 时可以获得一些最佳性能) 进行大量的实验。边缘框架的结合比单独使用 SphereFace 和 CosFace 的性能更好,但其上限受限于 ArcFace 的性能。
除了基于边缘的方法进行比较之外,我们对 ArcFace 和 其他损失(旨在增强类内的紧凑性(公式 5) 和类间的差异性(公式 6) ) 做了进一步的比较。我们选择 softmax loss 作为基线,并观察到 CFP-FP 和 AgeDB-30 在 weight 和 feature 在归一化处理之后性能有所下降。而 CFP-FP 和 AgeDB-30 通过将 softmax loss 和 intra-class loss 结合起来后,性能则有所提升。然而,通过将 softmax loss 和 inter-class loss 结合起来后,则只是轻微的提升了一点点精度。事实上,Triplet-loss 比 Norm-Softmax loss 的性能更好,这就表明边缘对于提高性能有着重要的作用。然而,在 triplet 样本中使用边缘惩罚项比在样本和 在 ArcFace 的中心点之间插入边缘 的性能更差。最后,我们可以将 Intra-loss、Inter-loss 和 Triplet-loss 合并到 ArcFace 中去,但通过观察发现,这并没有任何提升,因此这表明 ArcFace 已经增强了类内紧凑性、类间的差异性和边缘分类。
为了更好的理解 ArcFace 的优秀,在不同的损失下,我们对训练数据(SIA) 和 测试数据(LFW) 给出了详细的角度统计,如下表 Table 3. 所示:
我们发现:
①. 与 ArcFace 的嵌入特征中心(14.29°) 几乎同步,但 与 Norm-Softmax 的嵌入特征中心(44.26°) 则有着明显的偏差。因此,在训练数据上, 之间的夹角并不能完全代表类间的差异性。此外,通过训练网络计算出的嵌入特征中心更具代表性。
②. 类内损失能有有效缩小类内变化,但同样会带来微小的类内夹角。
③. 类间损失会略微 直接增加 和 间接增加 嵌入网络 的差异性,但同样会增加类内夹角。
④. ArcFace 已经有很好的 类内紧凑性 和 类间的差异性。
⑤. Triplet-Loss 拥有相似的类内紧凑性,但其 类间差异性却比 ArcFace 的要差一些。此外,在测试集上 ArcFace 比 Triplet-Loss 拥有更明显的边缘。如下图 Figure 6. 所示:
(3). 验证结果
在 LFW、YTF、CALFW 和 CPLFW 上的结果:
LFW 和 YTF 数据集是应用最广泛的无约束人脸验证 图像和视频 的基准。在本论文,我们遵循外部标签无限制的数据协议的性能报告。报告如下表 Table 4 所示:
ArcFace 在 MS1MV2 数据集上使用 ResNet50 训练 通过在 LFW 和 YTF 数据集上显著的边缘 超过了基线(例如,SphereFace 和 CosFace),这表明附加边缘夹角惩罚可以显著地提高深度学习到的特征的辨别能力,这就证明了 ArcFace 的有效性。
除了在 LFW 和 YTF 数据集之外,我们同样报告了 ArcFace 在最近介绍的数据集(例如,CPLFW 和 CALFW 数据集) 上的性能,与 LFW 相同,这些数据显示具有更高的姿态和年龄变化 。在所有开源的人脸识别模型中,ArcFace 模型被评论为最佳的人脸识别模型,其性能明显优于同类模型,如下表 Table 5 所示:
在 LFW、CFP-FP、AgeDB-30、YTF、CPLFW 和 CALFW 数据集的正负样本对的夹角分别(使用 ArcFace 在 MS1MV2 数据集和 ResNet100 下训练的模型来预测),如下图 Figure 7 所示:
我们能明显地发现由于姿态和年龄的差异造成了类内差异,它显著增加了正例对之间的夹角,从而使得人脸验证的最佳阈值的增大,并在直方图上产生更多的混淆区域。
MegaFace 上的结果:
MegaFace 数据集包含 690K 个不同人的 1M 张图像 作为图库集,以及 530 个不同人的 100K 张照片作为调查集。对于 MegaFace 数据集,在两个协议(大型和小型训练集) 下有两个测试场景(识别和验证)。在训练集上,如果它包含的图像超过 0.5M 的话,则定义为大型数据。为了公平起见,我们分别在 CAISA 和MS1MV2 下的 大协议和小协议(即 大型训练集和小型训练集) 训练 ArcFace。ArcFace 在 CASIA 数据上训练获得最佳的 single-model 识别和验证的性能,它不仅超过了强大的基线(例如,SphereFace 和 CosFace),而且也超过了其他已发布的方法。如下表 Table 6 所示:
我们发现识别和验证之间存在明显的性能差异,所以我们在整个 MegaFace 数据集中执行彻底的手动检查,于是发现是一些人脸图像的标签错了,这严重地影响了性能。因此,我们对整个 MegaFace 数据集 进行手动提炼,并报告了 ArcFace 在 MegaFace 上的正确性能。在提炼后的 MegaFace 数据集上,ArcFace 仍然明确的超越了 CosFace,并在 验证和识别上获得了最佳性能。
在大型协议下,ArcFace 明显地超越了 FaceNet,与 CosFace 相比较,ArcFace 在获得可比较的身份结果,并获得更好验证结果。由于在 CosFace 使用了一个私有的训练数据,因此我们将 CosFace 在 MS1MV2 数据集上利用 ResNet100 重新训练。在公平比较下,ArcFace 显得比 CosFace 优越,并在 识别和验证下是 CosFace 的上限,如下图 Figure 8 所示:
在 IJB-B 和 IJB-C 上的结果:
IJB-B 数据集包括 1854 个试验者 的 21.8K 张静态图像和 来自 7011 个视频的 55K 帧视频。总共有12115 个模板 的 10270 个真实匹配和 8M 个冒名匹配 的 。IJB-C 数据集是 IJB-B 数据集的进一步扩展,它拥有 3531 个试验者的 31.3K 张静态图像和 来自 11779 个视频的 117.5K 视频帧。总共有 23124 个模板 的 19557 个真实匹配和 15639K 个冒名匹配。
为了与大量最近的方法公平比较,我们在 IJB-B 和 IJB-C 数据集上,使用 VGG2 数据集作为训练数据,并使用 ResNet50 为嵌入网络来训练 ArcFace。我们将 ArcFace 的 TAR(@FAR=1e-4) 与之前最佳的方法进行比较,如下表 Table 7 所示:
在 IJB-B 和 IJB-C 数据集上 ArcFace 能够明显地提升性能(大概 3 ~ 5%,大大地降低了错误率)。鉴于更多的训练数据(MS1MV2) 和 更深的神经网络(ResNet100) 的支持,ArcFace 在 IJB-B 和 IJB-C 数据集上可以进一步的提升 TAR(@FAR=1e-4),分别为 94.2% 和 95.6%。我们展示 ArcFace 在 IJB-B 和 IJB-C 数据集上完整的 ROC 曲线,即使在设置新基线 FAR=1e-6 下也获得了感人的性能,如下图 Frigure 9 所示:
在 Tripllion-Pairs 上的结果:
Tripllion-Pairs 数据集从 Flickr 提供 1.58M 张图像作为图库集,并以 274K 张 来自 5.7K LFW 数据集身份图像作为调查集。图库集和调查集之间的每一对用于评估(总共 0.4 trillion 对)。我们对 ArcFace 在不同数据集上训练的性能进行比较,如下表 Table 8 所示:
与 CASIA 相比,MS1MV2 数据集明显提高了性能,甚至比具有双重身份号的 DeepGlint-Face 数据集稍微提高了点性能。当将 MS1MV2 的所有身份 和 DeepGlint 的亚洲名人相结合时,ArcFace 获得了最佳的识别性能 84.840%(@FPR=1e-3),并与来自于领导委员会最近大量提交的(CIGIT_IRSEC) 相比较获得相当的验证性能。
在 iQIYI-VID(爱奇艺-VID) 的结果:
iQIYI-VID 视频挑战包含 565372 个视频片段(219677 个训练集,172860 个验证集和 172835 个测试集),其中 4934 个身份来自于 iQIYI 的综艺节目、电影和电视剧。每个视频的长度从 1s ~ 30s 不等。这些数据集提供多模型信息,包括人脸、衣服、声音、步态和用于字符识别的字幕。iQIYI-VID 数据集使用 MAP@100 作为评估指标。MAP(Mean Average Precision, MAP) 是指总的平均精度率,即在测试集中每个人的 ID 对应总的平均精度率对视频中个人 ID 的补偿,在训练集中同样。
ArcFace 在使用 ResNet100 与结合 MS1MV2 数据集和 亚洲数据集训练上设置了一个高的基线(MAP=79.80%),如下表 Table 9 所示:
每个训练视频基于嵌入特征的情况下,我们另外训练一个具有分类损失的 3 层全连接网络,来得到在 iQIYI-VID 数据集上的自定义特征描述器。在 iQIYI-VID 训练集上学习的 MLP 将 MAP 显著地提升了 6.60%。鉴于模型集成的支持,以及现成目标和场景分类器的上下文特征,我们最终结果明显超越了亚军(0.99%)。
5. 贡献
在本论文中,我们提出了 边缘夹角附加损失函数(Additive Angular Margin, AAM)(ArcFace),它能有效地提高人脸识别中通过 DCNNs 学习到的特征嵌入的辨别能力。在大量综合的实验文献报告中,我们证明了我们的方法的性能最终优于当前最好的方法。代码和细节已经在麻省理工学院的许可下发布了。
6. 附录
(1). 并行加速
我们是否可以将 ArcFace 应用于大规模身份?对的,百万级的身份都是没问题的。
在 ArcFace 中,中心() 概念是必不可少的,但是中心() 的参数大小与类别的数目成正比。当训练数据中有百万级的身份时,ArcFace 也面临着大量训练的困难,例如 消耗大量的昂贵的 GPU 内存和大量的计算开销,甚至在一个令人望而却步的水平(指开销过大)。
在我们的实现中,我们采用并行加速策略来解决这个问题。我们将训练代码优化得简单些,通过对 feature (它是用来生成数据并行策略的) 和 中心 (我们将它命名为中心平行策略) 并行加速 来在一台机器上有效地支持 百万级身份。我们在 feature 和 中心 上的并行加速 可以显著地减少 GPU 内存的消耗,并加快训练速度,如下图 Figure 10 所示:
即使在 8 * 1080ti(11GB) 上训练一百万身份,我们使用 ResNet50 ,batch size 为 8 * 64,feature 维度为 512,和 32 位浮点数 来实现,它仍能没每秒钟跑 800 张样本。相比于其他近似的加速方法,我们的实现在性能方面没有下降到。
通过简单的矩阵划分说明了并行加速的主要计算步骤,便于初学者掌握并重现,如下图 Figure 11 所示:
①. 获取 feature ()。人脸嵌入特征是从 8 块 GPU 卡聚合成一个特征矩阵(batch size 8 * 64 x 512 特征维度)。聚合特征矩阵的大小仅有 1MB,并且当我们对特征矩阵进行传输时它的通讯成本可以忽略不计。
②. 获取相似得分矩阵()。我们将特征聚聚复制到每个 GPU 中,同时将特征矩阵与中心子矩阵(特征维度 512 x 身份号 1M/8) 相乘 来得到每个 GPU 上的相似得分子矩阵(batch size 512 x 身份号 1M/8)。
③. 获取中心() 的梯度。我们对每个 GPU 上的特征矩阵进行转置,同时将转置后的特征矩阵与相似得分的梯度子矩阵进行相乘。
④. 获取 feature () 的梯度。我们同时将相似得分的梯度子矩阵与转置后的中心子矩阵和 8 块 GPU 卡输出加和 相乘 来获得的 feature 梯度。
考虑到通讯成本(MB 级),我们对 ArcFace 的实现通过集群可以简单而有效地对百万级身份进行训练。
(2). 特征空间分析
512-d 超球面空间是否足够容纳大规模身份?理论上,是可以的。
我们假设身份中心 服从实际球面均匀分布,最邻近分离期望为:
为空间维度, 为身份号,。我们给出在 128-d、256-d 和 512-d 空间中的 的 类别数在 10K ~ 100M 的范围之间。高纬度空间是非常大的,因此当类别数指数增长时, 慢慢减小,如下图 Figure 12 所示:
7. 相关链接
https://github.com/deepinsight/insightface
https://github.com/deepinsight/insightface/tree/master/Evaluation/IJB
https://github.com/deepinsight/insightface/tree/master/recognition
http://data.mxnet.io/models/
http://trillionpairs.deepglint.com/overview
http://cs231n.github.io/neural-networks-case-study/
返回主目录
返回 人脸识别 目录
下一章:深度篇——人脸识别(二) 人脸识别代码 insight_face_pro 项目讲解
如若内容造成侵权/违法违规/事实不符,请联系编程学习网邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
相关文章
- SphereFace、arcface
ArcFace: Additive Angular Margin Lossfor Deep Face Recognition 论文刷新了MegaFace 百万人脸识别挑战的记录,将准确率提升到了98%。 MegaFace挑战分为两个部分: 1、用任何数据进行训练,测试1百万张带有干扰物的人脸,10270…...
2024/5/2 7:37:30 - 人脸识别合集 | 10 ArcFace解析
转自:https://zhuanlan.zhihu.com/p/76541084 ArcFace/InsightFace(弧度)是伦敦帝国理工学院邓建康等在2018.01发表,在SphereFace基础上改进了对特征向量归一化和加性角度间隔,提高了类间可分性同时加强类内紧度和类间…...
2024/4/21 14:49:08 - day01 vue安装以及指令的基础使用
day01 vue安装以及指令的基础使用 一、vue介绍 **官网 :**https://cn.vuejs.org/ **1.vue特点:**易用,灵活,高效 2.渐进式:根据需求的不同加载不同模块 库和框架的区别: **库:**jq …j…...
2024/4/26 7:25:22 - 实用四元数
四元数(Quaternion)相关的介绍材料非常多,这里针对其中几个实用问题进行阐述。 文章目录四元数初步四元数运算四元数与刚体旋转四元数与轴角对四元数旋转四元数与角速度单位四元数插值SLERP旋转距离其它参考四元数初步 相关介绍可参考此文或…...
2024/4/24 13:40:52 - 再议Uniform FFT modulated filterbank
前面写过一篇文章,但是感觉对于FFT 的filterbak还是没有说清楚,这边就再次把自己的一些理解说一下 1、这里面包含的几个概念 uniform,说明就是基础滤波器就一个,其他滤波器是它的一个变体,也就是调制(mod…...
2024/5/2 14:04:03 - ArcFace(insightface)论文翻译——中英文对照+标注总结
ArcFace: Additive Angular Margin Loss for Deep Face Recognition 文章目录ArcFace: Additive Angular Margin Loss for Deep Face RecognitionAbstract摘要1. Introduction1. 介绍2. Proposed Approach2.1. ArcFace2. 提出的方法2.1. ArcFace2.2. Comparison with SphereFac…...
2024/4/21 6:43:51 - Think in java小练整理(1)
Chapter 3: 1、检查对象是否相等: package c03;/**Thinking In Java example program.* author WangCan* 2019-02-13* */ public class Number {public static void main(String[] args){Integer n1new Integer(47);Integer n2new Integer(47);System.…...
2024/4/21 14:49:02 - (2018)All-optical machine learning using diffractive deep neural networks
“All-optical machine learning using diffractive deep neural networks”,这篇Science上的文章发表于2018年6月{Lin X, Rivenson Y, Yardimci N T, et al. All-Optical Machine Learning Using Diffractive Deep Neural Networks[J]. Science, 2018.}。写个博客当…...
2024/5/2 16:46:54 - 双眼皮埋线有多疼
...
2024/4/20 15:15:24 - 双眼皮埋线用吸脂吗
...
2024/4/23 11:10:28 - 如何在Angular6下使用ng-zorro-antd
ng-zorro-antd 受限于 #10430 一直都未发布 Angular6 版本,虽然早已经准备好 #1404。 这里的原因是多重的,antd 的 less 版本需要 JavaScript 的支持,想当初我有想把它转成 Scss 版本,看到这些我内心是奔溃的。 而 Less 3.x 认为支…...
2024/4/20 15:15:22 - 在ionic4中使用 NG-ZORRO-MOBILE
NG-ZORRO-MOBILE官网 我使用的是用npm引入的方式 1.安装组件 2.引入模块 在 app.modules.ts 中,全局引入 ng-zorro-antd-mobile。 3.引入样式 在 angular.json 中,全局引入 ng-zorro-antd-mobile样式。 4.在tab1.page.html使用NoticeBar组件 此时…...
2024/4/20 15:15:21 - 双眼皮埋线用什么清洁
...
2024/5/2 0:17:43 - ngzorro html源码,Angular中使用ng-zorro图标库部分图标不能正常显示问题_忘却_前端开发者...
在ng-alain中,使用ng-zorro图标库,发现部分能正常显示,部分并不能显示,在控制台同时发现出错报错。ERROR Error: [ant-design/icons-出现以上问题是没有对相对的图标进行导入,并导出。ng-alain默认只导入了图标库的几十…...
2024/5/1 23:12:32 - 双眼皮埋线用鸡蛋消肿
...
2024/5/2 6:57:24 - 双眼皮埋线用的什么线
...
2024/5/1 23:32:09 - 八年Android开发,看我如何简化Android的UI开发!
如果你觉得这篇文章太长,而且还没有往下阅读的话,我可以给你简要的介绍文章要讲的内容:我使用纯 Java 通过数据绑定的方式提供了一种 免费在线视频http://www.xincaopeng.com Android UI 开发的代码往往是支离破碎的,写出来的代码…...
2024/5/1 22:04:17 - Rubik UI 是一个基于 Vue.js 2.0
组件 组件可以扩展 HTML 元素,封装可重用的代码 在较高层面上,组件是自定义元素, Vue.js 的编译器为它添加特殊功能 在有些情况下,组件也可以是原生 HTML 元素的形式,以 is 特性扩展。 使用组件 注册一个全局组件…...
2024/5/1 22:11:35 - 双眼皮埋线用拆线么
...
2024/5/2 6:33:20 - 双眼皮埋线以后有印吗
...
2024/5/1 21:57:14
最新文章
- [Python基础知识]05函数和模块
一、函数的定义 格式:def 函数名(参数列表): 注: 函数代码块以 def 关键词开头,后接函数标识符名称和圆括号()。即使该函数不需要接收任何参数,也必须保留一对空的圆括号 函数形参不需要声明其类型&#x…...
2024/5/2 18:37:30 - 梯度消失和梯度爆炸的一些处理方法
在这里是记录一下梯度消失或梯度爆炸的一些处理技巧。全当学习总结了如有错误还请留言,在此感激不尽。 权重和梯度的更新公式如下: w w − η ⋅ ∇ w w w - \eta \cdot \nabla w ww−η⋅∇w 个人通俗的理解梯度消失就是网络模型在反向求导的时候出…...
2024/3/20 10:50:27 - 解析大语言模型训练三阶段
大语言模型的训练过程一般包括3个阶段:预训练(Pre-training)、SFT(有监督的微调,Supervised-Finetuning)以及RLHF(基于人类反馈的强化学习,Reinforcement Learning from Human Feedb…...
2024/5/1 13:16:16 - linux期末知识点总结
Linux操作系统不仅是技术爱好者的热门选择,也是许多IT专业人士必备的技能。随着期末的临近,了解并掌握Linux的关键知识点对于顺利通过考试至关重要。本文将对Linux操作系统的主要知识点进行总结,帮助你巩固学习成果,顺利应对期末考…...
2024/4/30 9:58:46 - 【外汇早评】美通胀数据走低,美元调整
原标题:【外汇早评】美通胀数据走低,美元调整昨日美国方面公布了新一期的核心PCE物价指数数据,同比增长1.6%,低于前值和预期值的1.7%,距离美联储的通胀目标2%继续走低,通胀压力较低,且此前美国一季度GDP初值中的消费部分下滑明显,因此市场对美联储后续更可能降息的政策…...
2024/5/1 17:30:59 - 【原油贵金属周评】原油多头拥挤,价格调整
原标题:【原油贵金属周评】原油多头拥挤,价格调整本周国际劳动节,我们喜迎四天假期,但是整个金融市场确实流动性充沛,大事频发,各个商品波动剧烈。美国方面,在本周四凌晨公布5月份的利率决议和新闻发布会,维持联邦基金利率在2.25%-2.50%不变,符合市场预期。同时美联储…...
2024/5/2 16:16:39 - 【外汇周评】靓丽非农不及疲软通胀影响
原标题:【外汇周评】靓丽非农不及疲软通胀影响在刚结束的周五,美国方面公布了新一期的非农就业数据,大幅好于前值和预期,新增就业重新回到20万以上。具体数据: 美国4月非农就业人口变动 26.3万人,预期 19万人,前值 19.6万人。 美国4月失业率 3.6%,预期 3.8%,前值 3…...
2024/4/29 2:29:43 - 【原油贵金属早评】库存继续增加,油价收跌
原标题:【原油贵金属早评】库存继续增加,油价收跌周三清晨公布美国当周API原油库存数据,上周原油库存增加281万桶至4.692亿桶,增幅超过预期的74.4万桶。且有消息人士称,沙特阿美据悉将于6月向亚洲炼油厂额外出售更多原油,印度炼油商预计将每日获得至多20万桶的额外原油供…...
2024/5/2 9:28:15 - 【外汇早评】日本央行会议纪要不改日元强势
原标题:【外汇早评】日本央行会议纪要不改日元强势近两日日元大幅走强与近期市场风险情绪上升,避险资金回流日元有关,也与前一段时间的美日贸易谈判给日本缓冲期,日本方面对汇率问题也避免继续贬值有关。虽然今日早间日本央行公布的利率会议纪要仍然是支持宽松政策,但这符…...
2024/4/27 17:58:04 - 【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响
原标题:【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响近日伊朗局势升温,导致市场担忧影响原油供给,油价试图反弹。此时OPEC表态稳定市场。据消息人士透露,沙特6月石油出口料将低于700万桶/日,沙特已经收到石油消费国提出的6月份扩大出口的“适度要求”,沙特将满…...
2024/4/27 14:22:49 - 【外汇早评】美欲与伊朗重谈协议
原标题:【外汇早评】美欲与伊朗重谈协议美国对伊朗的制裁遭到伊朗的抗议,昨日伊朗方面提出将部分退出伊核协议。而此行为又遭到欧洲方面对伊朗的谴责和警告,伊朗外长昨日回应称,欧洲国家履行它们的义务,伊核协议就能保证存续。据传闻伊朗的导弹已经对准了以色列和美国的航…...
2024/4/28 1:28:33 - 【原油贵金属早评】波动率飙升,市场情绪动荡
原标题:【原油贵金属早评】波动率飙升,市场情绪动荡因中美贸易谈判不安情绪影响,金融市场各资产品种出现明显的波动。随着美国与中方开启第十一轮谈判之际,美国按照既定计划向中国2000亿商品征收25%的关税,市场情绪有所平复,已经开始接受这一事实。虽然波动率-恐慌指数VI…...
2024/4/30 9:43:09 - 【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试
原标题:【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试美国和伊朗的局势继续升温,市场风险情绪上升,避险黄金有向上突破阻力的迹象。原油方面稍显平稳,近期美国和OPEC加大供给及市场需求回落的影响,伊朗局势并未推升油价走强。近期中美贸易谈判摩擦再度升级,美国对中…...
2024/4/27 17:59:30 - 【原油贵金属早评】市场情绪继续恶化,黄金上破
原标题:【原油贵金属早评】市场情绪继续恶化,黄金上破周初中国针对于美国加征关税的进行的反制措施引发市场情绪的大幅波动,人民币汇率出现大幅的贬值动能,金融市场受到非常明显的冲击。尤其是波动率起来之后,对于股市的表现尤其不安。隔夜美国股市出现明显的下行走势,这…...
2024/5/2 15:04:34 - 【外汇早评】美伊僵持,风险情绪继续升温
原标题:【外汇早评】美伊僵持,风险情绪继续升温昨日沙特两艘油轮再次发生爆炸事件,导致波斯湾局势进一步恶化,市场担忧美伊可能会出现摩擦生火,避险品种获得支撑,黄金和日元大幅走强。美指受中美贸易问题影响而在低位震荡。继5月12日,四艘商船在阿联酋领海附近的阿曼湾、…...
2024/4/28 1:34:08 - 【原油贵金属早评】贸易冲突导致需求低迷,油价弱势
原标题:【原油贵金属早评】贸易冲突导致需求低迷,油价弱势近日虽然伊朗局势升温,中东地区几起油船被袭击事件影响,但油价并未走高,而是出于调整结构中。由于市场预期局势失控的可能性较低,而中美贸易问题导致的全球经济衰退风险更大,需求会持续低迷,因此油价调整压力较…...
2024/4/26 19:03:37 - 氧生福地 玩美北湖(上)——为时光守候两千年
原标题:氧生福地 玩美北湖(上)——为时光守候两千年一次说走就走的旅行,只有一张高铁票的距离~ 所以,湖南郴州,我来了~ 从广州南站出发,一个半小时就到达郴州西站了。在动车上,同时改票的南风兄和我居然被分到了一个车厢,所以一路非常愉快地聊了过来。 挺好,最起…...
2024/4/29 20:46:55 - 氧生福地 玩美北湖(中)——永春梯田里的美与鲜
原标题:氧生福地 玩美北湖(中)——永春梯田里的美与鲜一觉醒来,因为大家太爱“美”照,在柳毅山庄去寻找龙女而错过了早餐时间。近十点,向导坏坏还是带着饥肠辘辘的我们去吃郴州最富有盛名的“鱼头粉”。说这是“十二分推荐”,到郴州必吃的美食之一。 哇塞!那个味美香甜…...
2024/4/30 22:21:04 - 氧生福地 玩美北湖(下)——奔跑吧骚年!
原标题:氧生福地 玩美北湖(下)——奔跑吧骚年!让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 啊……啊……啊 两…...
2024/5/1 4:32:01 - 扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!
原标题:扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!扒开伪装医用面膜,翻六倍价格宰客!当行业里的某一品项火爆了,就会有很多商家蹭热度,装逼忽悠,最近火爆朋友圈的医用面膜,被沾上了污点,到底怎么回事呢? “比普通面膜安全、效果好!痘痘、痘印、敏感肌都能用…...
2024/4/27 23:24:42 - 「发现」铁皮石斛仙草之神奇功效用于医用面膜
原标题:「发现」铁皮石斛仙草之神奇功效用于医用面膜丽彦妆铁皮石斛医用面膜|石斛多糖无菌修护补水贴19大优势: 1、铁皮石斛:自唐宋以来,一直被列为皇室贡品,铁皮石斛生于海拔1600米的悬崖峭壁之上,繁殖力差,产量极低,所以古代仅供皇室、贵族享用 2、铁皮石斛自古民间…...
2024/4/28 5:48:52 - 丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者
原标题:丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者【公司简介】 广州华彬企业隶属香港华彬集团有限公司,专注美业21年,其旗下品牌: 「圣茵美」私密荷尔蒙抗衰,产后修复 「圣仪轩」私密荷尔蒙抗衰,产后修复 「花茵莳」私密荷尔蒙抗衰,产后修复 「丽彦妆」专注医学护…...
2024/4/30 9:42:22 - 广州械字号面膜生产厂家OEM/ODM4项须知!
原标题:广州械字号面膜生产厂家OEM/ODM4项须知!广州械字号面膜生产厂家OEM/ODM流程及注意事项解读: 械字号医用面膜,其实在我国并没有严格的定义,通常我们说的医美面膜指的应该是一种「医用敷料」,也就是说,医用面膜其实算作「医疗器械」的一种,又称「医用冷敷贴」。 …...
2024/5/2 9:07:46 - 械字号医用眼膜缓解用眼过度到底有无作用?
原标题:械字号医用眼膜缓解用眼过度到底有无作用?医用眼膜/械字号眼膜/医用冷敷眼贴 凝胶层为亲水高分子材料,含70%以上的水分。体表皮肤温度传导到本产品的凝胶层,热量被凝胶内水分子吸收,通过水分的蒸发带走大量的热量,可迅速地降低体表皮肤局部温度,减轻局部皮肤的灼…...
2024/4/30 9:42:49 - 配置失败还原请勿关闭计算机,电脑开机屏幕上面显示,配置失败还原更改 请勿关闭计算机 开不了机 这个问题怎么办...
解析如下:1、长按电脑电源键直至关机,然后再按一次电源健重启电脑,按F8健进入安全模式2、安全模式下进入Windows系统桌面后,按住“winR”打开运行窗口,输入“services.msc”打开服务设置3、在服务界面,选中…...
2022/11/19 21:17:18 - 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。
%读入6幅图像(每一幅图像的大小是564*564) f1 imread(WashingtonDC_Band1_564.tif); subplot(3,2,1),imshow(f1); f2 imread(WashingtonDC_Band2_564.tif); subplot(3,2,2),imshow(f2); f3 imread(WashingtonDC_Band3_564.tif); subplot(3,2,3),imsho…...
2022/11/19 21:17:16 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机...
win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”问题的解决方法在win7系统关机时如果有升级系统的或者其他需要会直接进入一个 等待界面,在等待界面中我们需要等待操作结束才能关机,虽然这比较麻烦,但是对系统进行配置和升级…...
2022/11/19 21:17:15 - 台式电脑显示配置100%请勿关闭计算机,“准备配置windows 请勿关闭计算机”的解决方法...
有不少用户在重装Win7系统或更新系统后会遇到“准备配置windows,请勿关闭计算机”的提示,要过很久才能进入系统,有的用户甚至几个小时也无法进入,下面就教大家这个问题的解决方法。第一种方法:我们首先在左下角的“开始…...
2022/11/19 21:17:14 - win7 正在配置 请勿关闭计算机,怎么办Win7开机显示正在配置Windows Update请勿关机...
置信有很多用户都跟小编一样遇到过这样的问题,电脑时发现开机屏幕显现“正在配置Windows Update,请勿关机”(如下图所示),而且还需求等大约5分钟才干进入系统。这是怎样回事呢?一切都是正常操作的,为什么开时机呈现“正…...
2022/11/19 21:17:13 - 准备配置windows 请勿关闭计算机 蓝屏,Win7开机总是出现提示“配置Windows请勿关机”...
Win7系统开机启动时总是出现“配置Windows请勿关机”的提示,没过几秒后电脑自动重启,每次开机都这样无法进入系统,此时碰到这种现象的用户就可以使用以下5种方法解决问题。方法一:开机按下F8,在出现的Windows高级启动选…...
2022/11/19 21:17:12 - 准备windows请勿关闭计算机要多久,windows10系统提示正在准备windows请勿关闭计算机怎么办...
有不少windows10系统用户反映说碰到这样一个情况,就是电脑提示正在准备windows请勿关闭计算机,碰到这样的问题该怎么解决呢,现在小编就给大家分享一下windows10系统提示正在准备windows请勿关闭计算机的具体第一种方法:1、2、依次…...
2022/11/19 21:17:11 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”的解决方法...
今天和大家分享一下win7系统重装了Win7旗舰版系统后,每次关机的时候桌面上都会显示一个“配置Windows Update的界面,提示请勿关闭计算机”,每次停留好几分钟才能正常关机,导致什么情况引起的呢?出现配置Windows Update…...
2022/11/19 21:17:10 - 电脑桌面一直是清理请关闭计算机,windows7一直卡在清理 请勿关闭计算机-win7清理请勿关机,win7配置更新35%不动...
只能是等着,别无他法。说是卡着如果你看硬盘灯应该在读写。如果从 Win 10 无法正常回滚,只能是考虑备份数据后重装系统了。解决来方案一:管理员运行cmd:net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...
2022/11/19 21:17:09 - 计算机配置更新不起,电脑提示“配置Windows Update请勿关闭计算机”怎么办?
原标题:电脑提示“配置Windows Update请勿关闭计算机”怎么办?win7系统中在开机与关闭的时候总是显示“配置windows update请勿关闭计算机”相信有不少朋友都曾遇到过一次两次还能忍但经常遇到就叫人感到心烦了遇到这种问题怎么办呢?一般的方…...
2022/11/19 21:17:08 - 计算机正在配置无法关机,关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机...
关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!关机提示 windows7 正在配…...
2022/11/19 21:17:05 - 钉钉提示请勿通过开发者调试模式_钉钉请勿通过开发者调试模式是真的吗好不好用...
钉钉请勿通过开发者调试模式是真的吗好不好用 更新时间:2020-04-20 22:24:19 浏览次数:729次 区域: 南阳 > 卧龙 列举网提醒您:为保障您的权益,请不要提前支付任何费用! 虚拟位置外设器!!轨迹模拟&虚拟位置外设神器 专业用于:钉钉,外勤365,红圈通,企业微信和…...
2022/11/19 21:17:05 - 配置失败还原请勿关闭计算机怎么办,win7系统出现“配置windows update失败 还原更改 请勿关闭计算机”,长时间没反应,无法进入系统的解决方案...
前几天班里有位学生电脑(windows 7系统)出问题了,具体表现是开机时一直停留在“配置windows update失败 还原更改 请勿关闭计算机”这个界面,长时间没反应,无法进入系统。这个问题原来帮其他同学也解决过,网上搜了不少资料&#x…...
2022/11/19 21:17:04 - 一个电脑无法关闭计算机你应该怎么办,电脑显示“清理请勿关闭计算机”怎么办?...
本文为你提供了3个有效解决电脑显示“清理请勿关闭计算机”问题的方法,并在最后教给你1种保护系统安全的好方法,一起来看看!电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中,添加了1个新功能在“磁…...
2022/11/19 21:17:03 - 请勿关闭计算机还原更改要多久,电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机怎么办...
许多用户在长期不使用电脑的时候,开启电脑发现电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机。。.这要怎么办呢?下面小编就带着大家一起看看吧!如果能够正常进入系统,建议您暂时移…...
2022/11/19 21:17:02 - 还原更改请勿关闭计算机 要多久,配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以...
配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!配置windows update失败 还原更改 请勿关闭计算机&#x…...
2022/11/19 21:17:01 - 电脑配置中请勿关闭计算机怎么办,准备配置windows请勿关闭计算机一直显示怎么办【图解】...
不知道大家有没有遇到过这样的一个问题,就是我们的win7系统在关机的时候,总是喜欢显示“准备配置windows,请勿关机”这样的一个页面,没有什么大碍,但是如果一直等着的话就要两个小时甚至更久都关不了机,非常…...
2022/11/19 21:17:00 - 正在准备配置请勿关闭计算机,正在准备配置windows请勿关闭计算机时间长了解决教程...
当电脑出现正在准备配置windows请勿关闭计算机时,一般是您正对windows进行升级,但是这个要是长时间没有反应,我们不能再傻等下去了。可能是电脑出了别的问题了,来看看教程的说法。正在准备配置windows请勿关闭计算机时间长了方法一…...
2022/11/19 21:16:59 - 配置失败还原请勿关闭计算机,配置Windows Update失败,还原更改请勿关闭计算机...
我们使用电脑的过程中有时会遇到这种情况,当我们打开电脑之后,发现一直停留在一个界面:“配置Windows Update失败,还原更改请勿关闭计算机”,等了许久还是无法进入系统。如果我们遇到此类问题应该如何解决呢࿰…...
2022/11/19 21:16:58 - 如何在iPhone上关闭“请勿打扰”
Apple’s “Do Not Disturb While Driving” is a potentially lifesaving iPhone feature, but it doesn’t always turn on automatically at the appropriate time. For example, you might be a passenger in a moving car, but your iPhone may think you’re the one dri…...
2022/11/19 21:16:57