ExpFace：深度学习人脸识别的指数角间隔损失
计算机视觉与模式识别
2025-09-25 v1 人工智能
摘要
人脸识别是一个开集问题，需要高判别能力以确保类内距离小于类间距离。基于间隔的 softmax 损失，如 SphereFace、CosFace 和 ArcFace，已被广泛采用以增强类内紧凑性和类间可分离性，但它们忽略了噪声样本的影响。通过检查角空间中的样本分布，我们观察到干净样本主要聚集在中心区域，而噪声样本倾向于移向外围区域。受此观察的启发，我们提出了指数角间隔损失（ExpFace），它引入一个角指数项作为间隔。该设计在角空间中对中心区域施加更大的惩罚，对外围区域施加更小的惩罚，从而强调干净样本同时抑制噪声样本。我们对 ExpFace 和经典基于间隔的 softmax 损失进行了统一分析，包括间隔嵌入形式、相似性曲线和梯度曲线，结果表明 ExpFace 不仅避免了 SphereFace 的训练不稳定性和 ArcFace 的非单调性，还展现出与角空间中的决策边界以相同方式施加惩罚的相似性曲线。大量实验表明 ExpFace 达到了最先进的性能。为促进未来研究，我们已在 https://github.com/dfr-code/ExpFace 发布了源代码。
引用
@article{arxiv.2509.19753,
title = {ExpFace: Exponential Angular Margin Loss for Deep Face Recognition},
author = {Jinhui Zheng and Xueyuan Gong},
journal= {arXiv preprint arXiv:2509.19753},
year = {2025}
}