ArcFace：用于深度人脸识别的加性角度间隔损失
计算机视觉与模式识别
2022-09-07 v4
摘要
近来，人脸识别中一条热门研究路线是在成熟的softmax损失函数中引入间隔以最大化类间可分性。本文首先引入加性角度间隔损失（ArcFace），其不仅有清晰的几何解释，还显著增强判别力。由于ArcFace易受大量标签噪声影响，我们进一步提出子中心ArcFace，其中每个类包含个子中心，训练样本仅需接近个正子中心中的任意一个。子中心ArcFace鼓励一个包含大多数干净人脸的主导子类，以及包含困难或噪声人脸的非主导子类。基于此自驱动隔离，我们通过自动净化海量真实世界噪声下的原始网络人脸提升性能。除判别性特征嵌入外，我们也探索逆问题，即将特征向量映射为人脸图像。无需训练任何额外生成器或判别器，预训练ArcFace模型仅利用网络梯度与批归一化（BN）先验，即可为训练数据内外的主体生成保持身份的人脸图像。大量实验表明ArcFace可增强判别性特征嵌入并强化生成式人脸合成。
引用
@article{arxiv.1801.07698,
title = {ArcFace: Additive Angular Margin Loss for Deep Face Recognition},
author = {Jiankang Deng and Jia Guo and Jing Yang and Niannan Xue and Irene Kotsia and Stefanos Zafeiriou},
journal= {arXiv preprint arXiv:1801.07698},
year = {2022}
}
备注
ArcFace TPAMI version