用于人脸验证的加性间隔 Softmax
计算机视觉与模式识别
2018-05-31 v4
摘要
在本文中，我们提出了一种概念简单且几何可解释的目标函数，即加性间隔 Softmax（AM-Softmax），用于深度人脸验证。一般而言，人脸验证任务可视为一个度量学习问题，因此学习类内差异小、类间差异大的大间隔人脸特征对于取得良好性能至关重要。近来，Large-margin Softmax 和 Angular Softmax 已被提出以乘法方式引入角度间隔。在本工作中，我们为 Softmax 损失引入了一种新颖的加性角度间隔，其在直观上更具吸引力且比现有工作更易解释。我们还强调并讨论了特征归一化在本文中的重要性。最重要的是，我们在 LFW、BLUFR 和 MegaFace 上的实验表明，在使用相同网络架构和训练数据集的情况下，我们的加性间隔 softmax 损失始终优于当前 SOTA 方法。我们的代码也已发布于 https://github.com/happynear/AMSoftmax。
引用
@article{arxiv.1801.05599,
title = {Additive Margin Softmax for Face Verification},
author = {Feng Wang and Weiyang Liu and Haijun Liu and Jian Cheng},
journal= {arXiv preprint arXiv:1801.05599},
year = {2018}
}
备注
Published in Signal Processing Letters, Volume: 25 Issue: 7 Pages: 926-930