CosFace：用于深度人脸识别的大间隔余弦损失

得益于深度卷积神经网络（CNNs）的发展，人脸识别取得了非凡的进展。人脸识别的核心任务，包括人脸验证与识别，涉及人脸特征的判别性。然而，深度CNNs传统的softmax损失通常缺乏判别能力。为解决此问题，近来提出了若干损失函数，如中心损失、大间隔softmax损失和角度softmax损失。这些改进的损失均共享同一思想：最大化类间方差并最小化类内方差。本文提出一种新颖的损失函数，即大间隔余弦损失（LMCL），从另一视角实现该思想。具体而言，我们对特征和权重向量均进行$L_2$归一化，将softmax损失重构为余弦损失以消除径向变化，并基于此引入余弦间隔项以进一步在角度空间最大化决策间隔。由此，通过归一化与余弦决策间隔最大化，实现了最小类内方差与最大类间方差。我们将使用LMCL训练的模型称为CosFace。在MegaFace Challenge、Youtube Faces（YTF）和Labeled Face in the Wild（LFW）等最流行的公开人脸识别数据集上进行了广泛的实验评估。我们在这些基准上取得了最先进的性能，证实了所提方法的有效性。