面向人脸识别的误分类向量引导Softmax损失
计算机视觉与模式识别
2019-12-03 v1
摘要
得益于深度卷积神经网络（CNNs）的进展，人脸识别取得了显著进步，其中心任务在于如何提升特征的判别性。为此，已有若干基于间隔（例如角度、加性与加性角度间隔）的softmax损失函数被提出，以增大不同类间的特征间隔。然而，尽管已取得巨大成就，它们主要存在三个问题：1）显然，它们忽视了对于判别性学习而言具信息量的特征挖掘的重要性；2）它们仅从真实类别鼓励特征间隔，而未意识到来自其他非真实类别的判别性；3）不同类间的特征间隔被设为相同且固定，这可能无法很好地适应各种情形。为应对这些问题，本文提出了一种新颖的损失函数，其自适应地强调误分类特征向量以引导判别性特征学习。由此我们可解决上述所有问题并获得更具判别性的人脸特征。据我们所知，这是首次尝试将特征间隔与特征挖掘的优势统一于单一损失函数中。在多个基准上的实验结果已证明本方法相对于最先进替代方法的有效性。
引用
@article{arxiv.1912.00833,
title = {Mis-classified Vector Guided Softmax Loss for Face Recognition},
author = {Xiaobo Wang and Shifeng Zhang and Shuo Wang and Tianyu Fu and Hailin Shi and Tao Mei},
journal= {arXiv preprint arXiv:1912.00833},
year = {2019}
}
备注
Accepted by AAAI2020 as Oral presentation. arXiv admin note: substantial text overlap with arXiv:1812.11317