Face Recognition Loss Evolution

本文主要是介绍Face Recognition Loss Evolution，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

问题：
人脸识别的框架一般是这样的(图来自center loss):

    这个框架的有一个问题在于，用原始softmax学习到的特征，仅仅是separable的，而不够discriminative。在最后的分类层上，不同输出节点对应的权重可以看做类中心，用softmax分类的过程可以看成使样本尽量靠近本类中心，并远离其他类中心的过程。这个过程本身是希望类间距离尽量大、类内距离尽量小的，但是并没有将这点显示地突出出来，故最后的特征仅仅是可分的。因此，改进人脸识别的一个方法是在loss上突出这一点，从而得到更大的类间距离与更小的类内距离，使特征更具有区分性，从而提升识别的性能。

1. 欧式距离

1）Contrastive loss

论文：Chen, Yuheng , et al. “Deep learning face representation by joint identification-verification.” International Conference on Neural Information Processing Systems MIT Press, 2014.

①思想：softmax做identification 的基础上，同时增加 verification的loss，从而达到减小类内距离的目的。

②模型：

③具体实现：

原来的loss:

新加的loss可以有三种（后面做了对比实验）：


m代表margin，即希望不同人的人脸特征的距离大于m。d为两个特征的余弦相似度，yij为binary的值，表明两个特征是否属于同一个人，当属于同一个人的时候，我们希望d尽量大，去拟合1；当为不同人的时候，我们希望d尽量小，

这篇关于Face Recognition Loss Evolution的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---