Figure 1
图 1:我们提出的 CosFace 框架。在训练阶段,带有大间隔(large margin)的具有判别性的面部特征是在不同类别之间学习而来的。在测试阶段,首先将测试数据输入 CosFace 来提取人脸特征,然后再将这些特征用于计算余弦相似度分数以执行人脸验证和人脸辨识。基于 LMCL我们研发了深度模型CosFace。
摘要:针对上诉问题,近期也有多种损失函数被提出来了,包括center loss,、large margin softmax loss和angular softmax loss,其核心思想都是增强类间差异并且减小类内差异。本文设计了一种新的损失称之为大边缘余弦损失(LMCL),希望从一个新的角度去实现它。更具体地说,我们将Softmax损失重新表示为余弦损失,或者说把 softmax 损失函数转化为余弦损失函数,通过L2范式对特征和权重向量进行归一化,以消除径向(方向)的变化。在此基础上引入余弦边缘项m进一步最大化所学习到的特征在角度空间中的决策边缘。因此,通过归一化和增强决策边界的方法,得到了最小类内差异和最大类间差异,并且在公开的人脸数据集中的测试,取得了优异的表现,证明了新方法(LMCL)的作用。
核心思想:增强类间差异并且减小类内差异、归一化、增强决策边界
相关内容
深度人脸识别:在DeepFace和DeepID中,人脸识别被看作是一个多类分类问题,首先引入深度CNN模型来学习大型多身份数据集上的特征。其它著名的结构还有DeepID2、DeepID3等等。
损失函数:损失函数在深度特征提取中扮演着非常重要的角色,有Contrastive loss、triplet loss、L-Softmax和A-Softmax等等。
正则化:正则化一直也是人脸识别中的热点研究问题之一,在此不详述。
LMCL的提出
从余弦的角度出发思考构造softmax loss,新的 loss是这样构造的: