用于判别性人脸验证的 L2 约束 Softmax 损失
计算机视觉与模式识别
2017-06-09 v3
摘要
近年来，使用深度卷积神经网络极大提升了人脸验证系统的性能。典型的人脸验证流程包括：使用 softmax 损失训练深度网络进行主体分类，以倒数第二层的输出作为特征描述子，并在给定一对人脸图像时生成余弦相似度得分。Softmax 损失函数并未优化特征，使其对正样本对具有更高的相似度得分且对负样本对具有更低的相似度得分，这导致了性能差距。在本文中，我们在特征描述子上添加了 L2 约束，将其限制在固定半径的超球面上。该模块可以使用现有的深度学习框架轻松实现。我们表明，在训练流程中集成这一简单步骤可显著提升人脸验证的性能。具体而言，我们在具有挑战性的 IJB-A 数据集上取得了 state-of-the-art 的结果，在人脸验证协议下 False Accept Rate 为 0.0001 时达到了 0.909 的 True Accept Rate。此外，我们在 LFW 数据集上取得了 99.78% 准确率的 state-of-the-art 性能，并在 YTF 数据集上取得了 96.08% 准确率的竞争性性能。
关键词
引用
@article{arxiv.1703.09507,
title = {L2-constrained Softmax Loss for Discriminative Face Verification},
author = {Rajeev Ranjan and Carlos D. Castillo and Rama Chellappa},
journal= {arXiv preprint arXiv:1703.09507},
year = {2017}
}