IntraLoss：通过梯度增强项实现深度人脸识别中的进一步间隔
计算机视觉与模式识别
2021-07-08 v1
摘要
现有基于分类的人脸识别方法已取得显著进展，将大间隔引入超球面流形以学习判别性人脸表征。然而，特征分布被忽视。糟糕的特征分布会抹去间隔方案带来的性能提升。近期研究聚焦于不平衡的类间分布，并通过惩罚身份与其最近邻间夹角形成等分布特征表示。但问题不止于此，我们还发现了类内分布的各向异性。本文中，我们提出关注类内分布特征的“梯度增强项”。该方法名为 IntraLoss，在各向异性区域显式执行梯度增强，使类内分布持续收缩，从而形成各向同性且更紧凑的类内分布，以及身份间进一步的间隔。在 LFW、YTF 和 CFP-FP 上的实验结果表明，我们的方法通过梯度增强优于最先进的方法，证明了本方法的优越性。此外，我们的方法具有直观的几何解释，并可轻易与现有方法结合以解决先前被忽视的问题。
引用
@article{arxiv.2107.03352,
title = {IntraLoss: Further Margin via Gradient-Enhancing Term for Deep Face Recognition},
author = {Chengzhi Jiang and Yanzhou Su and Wen Wang and Haiwei Bai and Haijun Liu and Jian Cheng},
journal= {arXiv preprint arXiv:2107.03352},
year = {2021}
}