用于生物特征验证的 Alpha 散度损失函数
计算机视觉与模式识别
2025-11-25 v3 人工智能
摘要
人脸和说话人验证的性能在很大程度上由基于间隔的 softmax 损失函数（如 CosFace 和 ArcFace）驱动。最近引入的 α-散度损失函数提供了一种引人注目的替代方案，特别是由于它们能够诱导稀疏解（当 α>1 时）。然而，集成角度间隔——这对验证任务至关重要——并非易事。我们发现，这种集成至少可以通过两种不同的方式实现：通过参考测度（先验概率）或通过 logits（未归一化的对数似然）。在本文中，我们探索了这两种途径，推导出两种新颖的基于间隔的 α-散度损失函数：Q-Margin（在参考测度中加入间隔）和 A3M（在 logits 中加入间隔）。我们识别并解决了 A3M 中由稀疏性引起的训练不稳定性，采用了一种简单而有效的原型重新初始化策略。我们的方法在具有挑战性的 IJB-B 和 IJB-C 人脸验证基准测试上取得了显著的性能提升。我们在 VoxCeleb 上的说话人验证中也展示了同样强大的性能。至关重要的是，我们的模型在低错误接受率（false acceptance rates, FAR）下显著优于强基线。这种能力对于实际的高安全性应用（如银行认证）至关重要，因为在此类应用中，最小化错误认证是首要任务。最后，基于 α-散度的后验概率的稀疏性实现了内存高效的训练，这对于拥有数百万身份的数据集至关重要。
引用
@article{arxiv.2511.13621,
title = {Alpha Divergence Losses for Biometric Verification},
author = {Dimitrios Koutsianos and Ladislav Mosner and Yannis Panagakis and Themos Stafylakis},
journal= {arXiv preprint arXiv:2511.13621},
year = {2025}
}