ElasticFace：用于深度人脸识别的弹性间隔损失
计算机视觉与模式识别
2022-03-22 v4
摘要
学习判别性人脸特征在构建高性能人脸识别模型中起着主要作用。近期最先进的人脸识别方案提出在归一化超球面上对常用分类损失函数 softmax loss（softmax 损失）引入固定惩罚间隔，以通过最小化类内差异和最大化类间差异来提升人脸识别模型的判别能力。边际惩罚 softmax 损失，如 ArcFace 和 CosFace，假设不同身份之间及内部的测地距离可以使用固定惩罚间隔被同等学习。然而，对于具有不一致类间和类内差异的真实数据，这种学习目标并不现实，可能限制人脸识别模型的判别性和泛化能力。在本文中，我们通过提出弹性惩罚间隔损失 (ElasticFace) 来放宽固定惩罚间隔约束，该损失允许类可分离性推动的灵活性。主要思想是在每次训练迭代中使用从正态分布抽取的随机间隔值。这旨在给决策边界机会进行抽取和回缩，为灵活的类别可分离性学习留出空间。我们在大量主流基准上，使用相同的几何变换，证明了我们的 ElasticFace 损失相对于 ArcFace 和 CosFace 损失的优越性。从更广的视角看，我们的 ElasticFace 在九个主流基准中的七个上推进了最先进的人脸识别性能。
引用
@article{arxiv.2109.09416,
title = {ElasticFace: Elastic Margin Loss for Deep Face Recognition},
author = {Fadi Boutros and Naser Damer and Florian Kirchbuchner and Arjan Kuijper},
journal= {arXiv preprint arXiv:2109.09416},
year = {2022}
}