Ring loss：用于人脸识别的凸特征归一化
计算机视觉与模式识别
2018-03-02 v1
摘要
我们提出并阐述了Ring loss，一种为深度网络设计的简单而优雅的特征归一化方法，用于增强如Softmax之类的标准损失函数。我们认为，在监督分类问题中，深度特征归一化是一个重要方面，此类问题要求模型在多类问题中对每一类的表示同样良好。通过硬归一化操作进行特征归一化的直接方法会导致非凸公式。相反，Ring loss采用软归一化，逐渐学习将范数约束到缩放的单位圆上，同时保持凸性，从而产生更鲁棒的特征。我们将Ring loss应用于大规模人脸识别问题，并在LFW、具有挑战性的IJB-A Janus协议、Janus CS3(IJB-A Janus的超集)、Celebrity Frontal-Profile (CFP)以及带有100万干扰项的MegaFace上给出结果。Ring loss优于强基线，在IJB-A Janus上匹配state-of-the-art性能，并在具有挑战性的Janus CS3上优于所有其他结果，从而达到了state-of-the-art。我们在处理极低分辨率人脸匹配方面也优于强基线。
引用
@article{arxiv.1803.00130,
title = {Ring loss: Convex Feature Normalization for Face Recognition},
author = {Yutong Zheng and Dipan K. Pal and Marios Savvides},
journal= {arXiv preprint arXiv:1803.00130},
year = {2018}
}
备注
Accepted at CVPR 2018