NPT-Loss：一种带隐式挖掘的度量损失用于人脸识别
计算机视觉与模式识别
2021-03-08 v1 机器学习
摘要
近年来，使用深度卷积神经网络（DCNNs）的人脸识别（FR）取得了显著成功。基于DCNN的FR的一个关键要素是恰当设计确保不同身份间可区分性的损失函数。最先进（SOTA）方案利用带加性和/或乘性边缘的归一化Softmax损失。尽管流行，这些基于Softmax+边缘的损失缺乏理论动机，且边缘的有效性仅被直觉地证明。本工作中，我们利用一种替代框架，其提供实现各身份特征间可区分性的更直接机制。我们提出一种新颖损失，等价于带代理和硬负样本隐式挖掘机制的三元组损失。我们从理论上证明，最小化所提损失可确保全部身份间的最小可分离性。所提损失易于实现，且不需如SOTA方案般繁重的超参数调优。我们给出经验证据：尽管简单，所提损失在高低分辨率FR任务的多项基准中持续取得SOTA性能。
引用
@article{arxiv.2103.03503,
title = {NPT-Loss: A Metric Loss with Implicit Mining for Face Recognition},
author = {Syed Safwan Khalid and Muhammad Awais and Chi-Ho Chan and Zhenhua Feng and Ammarah Farooq and Ali Akbari and Josef Kittler},
journal= {arXiv preprint arXiv:2103.03503},
year = {2021}
}