SphereFace重生：统一超球面人脸识别

本文解决开放集协议下的深度人脸识别问题，其中理想人脸特征在适当选择的度量空间下期望具有比最小类间距离更小的类内最大距离。为此，超球面人脸识别作为一条有前景的研究路线，已吸引越来越多的关注并逐渐成为人脸识别研究的主要焦点。作为超球面人脸识别最早的工作之一，SphereFace明确提出学习具有大类间角间隔的人脸嵌入。然而，SphereFace仍遭受严重的训练不稳定性，限制了其实际应用。为解决这个问题，我们引入一个统一框架来理解超球面人脸识别中的大角间隔。在此框架下，我们扩展SphereFace的研究并提出一个具有显著更好训练稳定性的改进变体——SphereFace-R。具体地，我们提出两种实现乘性间隔的新方法，并在三种不同特征归一化方案（无特征归一化、硬特征归一化和软特征归一化）下研究SphereFace-R。我们还提出一种实现策略——“特征梯度分离”——以稳定训练。对SphereFace-R的大量实验表明，它始终优于或与最先进方法具有竞争力。