基于双自适应惩罚增强硬样本指标的面部识别——AdaSin
计算机视觉与模式识别
2025-03-06 v1 人工智能
摘要
近年来，深度卷积神经网络的出现使面部识别成为计算机视觉中的热门研究方向。传统损失函数，如基于间距的、基于硬样本挖掘的以及混合方法，均取得了显著的性能提升，其中一些方法还利用课程学习来优化训练。然而，这些方法往往未能有效量化硬样本的难度。为此，我们提出一种自适应正弦（AdaSin）损失函数，引入样本嵌入特征与其真实类别中心之间夹角的正弦作为新的难度指标。该指标实现了对硬样本的精准且有效的惩罚。通过引入课程学习，模型在不同训练阶段动态调整分类边界。与以往的自适应间距损失函数不同，AdaSin 引入双重自适应惩罚，作用于硬样本的正负余弦相似度。这一设计施加更强的约束，增强了类内紧凑性和类间可分性。双重自适应惩罚与课程学习的结合，由精心设计的难度指标引导，使模型能够在后期训练阶段更有效地聚焦硬样本，从而提取高度判别性的面部特征。广泛的八项基准实验表明，AdaSin 在性能上优于其他 state-of-the-art 方法。
引用
@article{arxiv.2503.03528,
title = {AdaSin: Enhancing Hard Sample Metrics with Dual Adaptive Penalty for Face Recognition},
author = {Qiqi Guo and Zhuowen Zheng and Guanghua Yang and Zhiquan Liu and Xiaofan Li and Jianqing Li and Jinyu Tian and Xueyuan Gong},
journal= {arXiv preprint arXiv:2503.03528},
year = {2025}
}