OTFace：难样本引导的最优传输损失用于深度人脸表示
计算机视觉与模式识别
2022-03-29 v1
摘要
由于人脸在真实场景下存在极大的外观变化，人脸表示极为困难。为此，一些深度卷积神经网络（CNNs）通过设计适当的基于间隔的损失来学习判别性特征，这类方法在易样本上表现良好但在难样本上失效。基于此，一些方法主要在训练阶段调整难样本的权重以提升特征判别力。然而，这些方法忽略了特征分布特性，而利用分布度量可能纠正误分类难样本从而带来更好结果。本文提出用于深度人脸表示的难样本引导最优传输（OT）损失，简称 OTFace。OTFace 旨在引入特征分布差异来增强难样本性能，同时保持易样本上的表现。具体而言，我们采用三元组方案在训练的一个小批量中标识难样本组，随后用 OT 刻画来自高层卷积层特征的分布差异。最后，我们将基于间隔的 softmax（如 ArcFace 或 AM-Softmax）与 OT 结合以引导深度 CNN 学习。在多个基准数据库上进行了充分实验，定量结果证明了所提 OTFace 相对于 SOTA 方法的优势。
引用
@article{arxiv.2203.14461,
title = {OTFace: Hard Samples Guided Optimal Transport Loss for Deep Face Representation},
author = {Jianjun Qian and Shumin Zhu and Chaoyu Zhao and Jian Yang and Wai Keung Wong},
journal= {arXiv preprint arXiv:2203.14461},
year = {2022}
}
备注
10 pages