AdaCos：用于有效学习深度人脸表征的自适应缩放余弦对数
计算机视觉与模式识别
2019-05-08 v2
摘要
基于余弦的softmax损失及其变体在基于深度学习的面部识别中取得了巨大成功。然而，这些损失中的超参数设置对优化路径以及最终的识别性能有显著影响。手动调整这些超参数严重依赖用户经验并需要许多训练技巧。在本文中，我们通过分析尺度参数和角度间隔参数如何调制预测的分类概率，深入研究了基于余弦的softmax损失的两个重要超参数的影响。基于这些分析，我们提出了一种新颖的基于余弦的softmax损失，AdaCos，它是无超参数的，并利用自适应尺度参数在训练过程中自动加强训练监督。我们将提出的AdaCos损失应用于大规模人脸验证和识别数据集，包括LFW、MegaFace和IJB-C 1:1 Verification。我们的结果表明，使用AdaCos损失训练深度神经网络是稳定的，并能够实现高人脸识别准确率。我们的方法在所有三个数据集上均优于state-of-the-art的softmax损失。
引用
@article{arxiv.1905.00292,
title = {AdaCos: Adaptively Scaling Cosine Logits for Effectively Learning Deep Face Representations},
author = {Xiao Zhang and Rui Zhao and Yu Qiao and Xiaogang Wang and Hongsheng Li},
journal= {arXiv preprint arXiv:1905.00292},
year = {2019}
}
备注
CVPR 2019 Oral