基于难样本挖掘损失的卷积神经网络人脸识别
计算机视觉与模式识别
2020-12-24 v2 机器学习
摘要
人脸识别是计算机视觉领域的重要问题之一。随着深度学习的进展，人脸识别方面出现了大量工作，涉及识别框架的多个部分，如卷积神经网络（CNN）、层、损失函数等。人们提出了交叉熵、Angular-Softmax 和 ArcFace 等多种损失函数，用于学习人脸识别网络的权重。然而，与简单样本相比，这些损失函数并未对困难样本给予较高优先级。此外，由于简单样本数量多于困难样本，其学习过程存在偏差。本文通过优先考虑困难样本来解决此问题。为此，我们提出一种难样本挖掘（Hard-Mining）损失，通过增大困难样本的损失并减小简单样本的损失来实现。所提概念具有通用性，可与任何现有损失函数结合使用。我们在交叉熵、Angular-Softmax 和 ArcFace 等不同损失上测试了难样本挖掘损失。所提难样本挖掘损失在广泛使用的 Labeled Faces in the Wild (LFW) 和 YouTube Faces (YTF) 数据集上进行了测试，训练则在 CASIA-WebFace 和 MS-Celeb-1M 数据集上进行。我们使用残差网络（即 ResNet18）进行实验分析。实验结果表明，现有损失函数在所提难样本挖掘损失框架下性能得到提升。
引用
@article{arxiv.1908.09747,
title = {Hard-Mining Loss based Convolutional Neural Network for Face Recognition},
author = {Yash Srivastava and Vaishnav Murali and Shiv Ram Dubey},
journal= {arXiv preprint arXiv:1908.09747},
year = {2020}
}
备注
Accepted in Fifth IAPR International Conference on Computer Vision and Image Processing (CVIP), 2020