NormFace：用于人脸验证的L2超球面嵌入
计算机视觉与模式识别
2017-07-27 v4
摘要
得益于卷积神经网络的最新进展，人脸验证方法的性能已快速提升。在典型的人脸验证方法中，特征归一化是提升性能的关键步骤。这促使我们引入并研究训练过程中归一化的影响。但我们发现这并非易事，尽管归一化是可微的。我们通过数学分析识别并研究了与归一化相关的四个问题，从而获得理解并有助于参数设置。基于此分析，我们提出两种使用归一化特征进行训练的策略。第一种是softmax损失的修改版，其优化余弦相似度而非内积。第二种是通过为每个类引入代理向量对度量学习进行重新表述。我们表明这两种策略及微小变体，在LFW数据集上基于两个模型一致地将性能提升了0.2%至0.4%。这是显著的，因为两个模型在LFW数据集上的性能已接近饱和，超过98%。代码和模型发布于 https://github.com/happynear/NormFace
引用
@article{arxiv.1704.06369,
title = {NormFace: L2 Hypersphere Embedding for Face Verification},
author = {Feng Wang and Xiang Xiang and Jian Cheng and Alan L. Yuille},
journal= {arXiv preprint arXiv:1704.06369},
year = {2017}
}
备注
camera-ready version