SFace：用于鲁棒人脸识别的 Sigmoid 约束超球面损失
计算机视觉与模式识别
2022-05-25 v1
摘要
由于大规模训练数据库与迅速发展的损失函数，深度人脸识别取得了巨大成功。现有算法致力于实现一个理想目标：最小化类内距离并最大化类间距离。然而，它们可能忽视了也存在不应以这种严格方式优化的低质量训练图像。考虑到训练数据库的不完美性，我们提出类内与类间目标可以以适度方式优化以缓解过拟合问题，并进一步提出一种新颖的损失函数，称为 sigmoid 约束超球面损失（SFace）。具体而言，SFace 在超球面流形上施加类内与类间约束，分别由两个 sigmoid 梯度重缩放函数控制。sigmoid 曲线精确地重缩放类内与类间梯度，使训练样本能在某种程度上被优化。因此，SFace 能在减小干净样本的类和距离与防止对标签噪声过拟合之间取得更好平衡，并有助于更鲁棒的深度人脸识别模型。在 CASIA-WebFace、VGGFace2 和 MS-Celeb-1M 数据库上训练模型，并在 LFW、MegaFace 和 IJB-C 等若干人脸识别基准上评估的广泛实验，已证明了 SFace 的优越性。
引用
@article{arxiv.2205.12010,
title = {SFace: Sigmoid-Constrained Hypersphere Loss for Robust Face Recognition},
author = {Yaoyao Zhong and Weihong Deng and Jiani Hu and Dongyue Zhao and Xian Li and Dongchao Wen},
journal= {arXiv preprint arXiv:2205.12010},
year = {2022}
}
备注
12 pages, 9 figures