InterFace：用于深度人脸识别的可调角度间隔类间损失
计算机视觉与模式识别
2022-10-11 v2
摘要
在人脸识别领域，改进损失解法以使网络提取的人脸特征具有更强判别力一直是一个热门研究课题。近年来的研究工作通过将 softmax 逐步归一化到余弦空间，然后添加固定惩罚间隔来减小类内距离以增大类间距离，从而提升了人脸模型的判别力。尽管先前大量工作通过优化边界惩罚来提升模型判别力，但对深度特征与对应权重添加固定间隔惩罚并不符合真实场景中的数据模式。为解决此问题，本文提出一种新颖损失函数 InterFace，解除仅在深度特征与对应权重间添加间隔惩罚的约束，通过在深度特征与所有权重间添加相应间隔惩罚来推动类的可分性。为说明 InterFace 相对于固定惩罚间隔的优势，我们从几何上予以解释并在一组主流基准上进行比较。从更广阔的视角看，我们的 InterFace 在十三个主流基准中的五个上推进了最先进（SOTA）的人脸识别性能。所有训练代码、预训练模型与训练日志均已公开 \footnote{}。
引用
@article{arxiv.2210.02018,
title = {InterFace:Adjustable Angular Margin Inter-class Loss for Deep Face Recognition},
author = {Meng Sang and Jiaxuan Chen and Mengzhen Li and Pan Tan and Anning Pan and Shan Zhao and Yang Yang},
journal= {arXiv preprint arXiv:2210.02018},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2109.09416 by other authors