素材巴巴 > 程序开发 >

人脸识别(四):2018 ArcFace: Additive Angular Margin Loss for Deep Face Recognition

程序开发 2023-09-24 15:47:41

本篇是人脸识别的第四篇文章:
人脸识别第一篇:Center Loss
人脸识别第二篇:SphereFace
人脸识别第三篇:CosFace
人脸识别第四篇:ArcFace
人脸识别第五篇:CCL
人脸特征点检测第一篇:[综述]
(https://blog.csdn.net/u014230646/article/details/79445384)
人脸特征点检测第二篇:[Cvpr 2012 树模型实现]
https://blog.csdn.net/u014230646/article/details/79445524
人脸特征点检测第三篇:[基于CNN的方法-VGG, Mobilenetv2尝试]
https://blog.csdn.net/u014230646/article/details/79445676
人脸特征点检测第四篇:[基于FCN的方法]
https://blog.csdn.net/u014230646/article/details/79445867

方法

ArcFace [1] 也是对Sphereface的改进工作,主要的改进也是loss函数中角度裕量的添加方式。其中目标函数定义为:
这里写图片描述
而我们之前看的cos face的目标函数是:
这里写图片描述
再来看看相应的函数曲线:
这里写图片描述
相当于原始的余弦函数在x轴上向左偏移。这样做了之后,在角度值为180°的时候分类难度基本不变,而角度值较小的时候分类更加困难。相当于在角度值较小的时候加了裕量。

论文[1]还清洗了数据、分析了网络结构的变化对准确率的影响等。

大数据集的考量

我们知道,基于分类的人脸识别网络,在训练的时候需要的显存随着类别数增加线性增长。假如我们有很多类别怎么办?当然我们可以用Triplet loss或者contrastive loss等来作为目标函数。这篇论文用实验说明了先用分类的方法训练再用Triplet loss微调是有效的,能进一步提高性能。
这里写图片描述
可以看到训练集的影响:MS1M比VGG2高一个百分点
以及Triplet微调的效果

网络结构

下图是在VGG2用softmax训练的,各个网络的性能对比。
这里写图片描述
单纯用softmax性能就很高了。最好的是Inception-ResNet

性能

我认为这篇论文的主要贡献是性能做得非常高,我认为成功的点主要在以下几方面:

引用

[1] Deng J, Guo J, Zafeiriou S. ArcFace: Additive Angular Margin Loss for Deep Face Recognition[J]. arXiv preprint arXiv:1801.07698, 2018.


标签:

上一篇: easyui_01(入门) 下一篇:
素材巴巴 Copyright © 2013-2021 http://www.sucaibaba.com/. Some Rights Reserved. 备案号:备案中。