SubFace：基于 Softmax 近似的人脸识别学习方法
计算机视觉与模式识别
2022-08-25 v1
摘要
基于 softmax 的损失函数及其变体（如 cosface、sphereface 和 arcface）显著提升了非受限自然场景下的人脸识别性能。这些算法的常见做法是对嵌入特征与线性变换矩阵的乘积进行优化。然而在大多数情况下，嵌入特征的维度是基于传统设计经验给定的，且在给定固定尺寸时利用特征本身提升性能的研究较少。为应对该挑战，本文提出一种称为 SubFace 的 softmax 近似方法，其利用子空间特征提升人脸识别性能。具体而言，我们在训练时于每个批次中动态选取不重叠的子空间特征，随后在基于 softmax 的损失中使用子空间特征近似全特征，从而显著增强深度模型在人脸识别中的判别能力。在基准数据集上的综合实验表明，我们的方法能显著提升 vanilla CNN 基线的性能，有力证明了基于间隔损失(margin-based loss)的子空间策略的有效性。
关键词
引用
@article{arxiv.2208.11483,
title = {SubFace: Learning with Softmax Approximation for Face Recognition},
author = {Hongwei Xu and Suncheng Xiang and Dahong Qian},
journal= {arXiv preprint arXiv:2208.11483},
year = {2022}
}