用于人脸识别的可扩展角度判别深度度量学习
计算机视觉与模式识别
2018-05-02 v2 人工智能
摘要
随着深度学习的发展，深度度量学习（DML）在人脸识别中取得了巨大进步。具体而言，训练过程中广泛使用的 softmax 损失常带来较大的类内差异，且特征归一化仅在测试过程中用于计算成对相似度。为了弥合这一差距，我们在训练步骤中施加约束，使得 softmax 损失中特征向量与权重向量之间的类内余弦相似度大于一个边界，并从四个方面对其进行扩展。首先，我们探讨了难样本挖掘策略的效果。为了减轻调整边界超参数的人工负担，提出了一种自适应边界更新策略。然后，给出了一个归一化版本以充分利用余弦相似度约束。此外，我们增强了前述约束，以在指数特征投影空间中迫使类内余弦相似度大于平均类间余弦相似度加上一个边界。在 Labeled Face in the Wild (LFW)、Youtube Faces (YTF) 和 IARPA Janus Benchmark A (IJB-A) 数据集上的大量实验表明，所提出的方法优于主流 DML 方法，并接近 state-of-the-art 性能。
引用
@article{arxiv.1804.10899,
title = {Scalable Angular Discriminative Deep Metric Learning for Face Recognition},
author = {Bowen Wu and Huaming Wu and Monica M. Y. Zhang},
journal= {arXiv preprint arXiv:1804.10899},
year = {2018}
}