用于无约束人脸验证与识别的 Crystal Loss 与质量池化
计算机视觉与模式识别
2019-02-05 v2
摘要
近年来，基于深度卷积神经网络（DCNNs）的人脸验证与识别系统的性能显著提升。人脸验证的典型流程包括：用 softmax 损失训练深度网络进行主体分类，使用倒数第二层输出作为特征描述符，并在给定一对人脸图像或视频时生成余弦相似度分数。softmax 损失函数并未优化特征以使正样本对具有更高的相似度分数、负样本对具有更低的相似度分数，这导致了性能差距。本文提出一种新的损失函数，称为 Crystal Loss，它将特征限制在一个固定半径的超球面上。该损失可利用现有深度学习框架轻松实现。我们表明，在训练流程中集成这一简单步骤可显著提升人脸验证与识别系统的性能。我们在具有挑战性的 LFW、IJB-A、IJB-B 和 IJB-C 数据集上，在较大误报率范围（10^{-1} 至 10^{-7}）内实现了人脸验证与识别的 SOTA 性能。
引用
@article{arxiv.1804.01159,
title = {Crystal Loss and Quality Pooling for Unconstrained Face Verification and Recognition},
author = {Rajeev Ranjan and Ankan Bansal and Hongyu Xu and Swami Sankaranarayanan and Jun-Cheng Chen and Carlos D. Castillo and Rama Chellappa},
journal= {arXiv preprint arXiv:1804.01159},
year = {2019}
}
备注
Previously portions of this work appeared in arXiv:1703.09507, which was a conference version. This version is an extended journal version of it