CurricularFace：用于深度人脸识别的自适应课程学习损失
计算机视觉与模式识别
2020-04-02 v1
摘要
作为人脸识别中的一个新兴课题，设计基于间隔的损失函数能够增大不同类别间的特征间隔从而增强判别性。近来，基于挖掘策略的思想被采用以强调被误分类样本，取得了有前景的结果。然而，在整个训练过程中，现有方法要么未基于样本重要性显式强调样本，导致困难样本未被充分利用；要么甚至在训练早期就显式强调半困难/困难样本的作用，可能引发收敛问题。本工作中，我们提出一种新颖的自适应课程学习损失（CurricularFace），将课程学习的思想嵌入损失函数，以实现一种用于深度人脸识别的新训练策略，该策略主要在训练早期处理简单样本、后期处理困难样本。具体而言，我们的CurricularFace在不同训练阶段自适应调整简单与困难样本的相对重要性。在每个阶段，不同样本根据其对应的困难程度被赋予不同重要性。在流行基准上的大量实验结果证明了我们的CurricularFace相对于最先进方法的优越性。
引用
@article{arxiv.2004.00288,
title = {CurricularFace: Adaptive Curriculum Learning Loss for Deep Face Recognition},
author = {Yuge Huang and Yuhan Wang and Ying Tai and Xiaoming Liu and Pengcheng Shen and Shaoxin Li and Jilin Li and Feiyue Huang},
journal= {arXiv preprint arXiv:2004.00288},
year = {2020}
}
备注
CVPR 2020