GB-CosFace：从开集分类视角重新思考基于 Softmax 的人脸识别
计算机视觉与模式识别
2023-02-13 v2
摘要
最先进的人脸识别方法通常采用多分类流程，并使用基于 softmax 的损失进行优化。尽管这些方法已取得巨大成功，但从开集分类的视角看，基于 softmax 的损失存在局限：训练阶段的多分类目标与开集分类测试的目标并不严格匹配。本文推导出一种名为全局边界 CosFace（GB-CosFace）的新损失。我们的 GB-CosFace 引入自适应全局边界来判断两个人脸样本是否属于同一身份，从而使优化目标从开集分类视角与测试过程对齐。同时，由于损失形式由基于 softmax 的损失推导而来，我们的 GB-CosFace 保留了基于 softmax 损失的优异性质，并且 CosFace 被证明是所提损失的一个特例。我们从几何角度对提出的 GB-CosFace 进行分析与解释。在多个人脸识别基准上的综合实验表明，所提 GB-CosFace 在主流人脸识别任务中优于当前最先进的人脸识别损失。与 CosFace 相比，我们的 GB-CosFace 在 IJB-C 基准上 TAR@FAR=1e-6、1e-5、1e-4 分别提升了 1.58%、0.57% 和 0.28%。
引用
@article{arxiv.2111.11186,
title = {GB-CosFace: Rethinking Softmax-based Face Recognition from the Perspective of Open Set Classification},
author = {Lizhe Liu and Mingqiang Chen and Xiaohao Chen and Siyu Zhu and Ping Tan},
journal= {arXiv preprint arXiv:2111.11186},
year = {2023}
}