用于人脸识别的支持向量引导Softmax损失
计算机视觉与模式识别
2019-01-01 v1
摘要
由于深度卷积神经网络（CNNs）的进步，人脸识别取得了显著进展，其核心挑战在于特征判别性。为此，一类方法尝试利用基于挖掘的策略（例如，难例挖掘和focal loss）来关注信息量大的样本。另一类方法致力于设计基于边界的损失函数（例如，角度、加性和加性角度边界）从真实类别的角度增加特征边界。这两类方法都已被充分验证可学习判别性特征。然而，它们要么受困于难例的模糊性，要么缺乏其他类别的判别能力。本文设计了一种新颖的损失函数，即支持向量引导softmax损失（SV-Softmax），其自适应地强调误分类点（支持向量）以引导判别性特征学习。因此，所开发的SV-Softmax损失能够消除难例的模糊性，并吸收其他类别的判别能力，从而产生更具判别性的特征。据我们所知，这是首次尝试将基于挖掘和基于边界的损失优势继承到同一框架中。在多个基准上的实验结果证明了我们的方法相对于SOTA的有效性。
引用
@article{arxiv.1812.11317,
title = {Support Vector Guided Softmax Loss for Face Recognition},
author = {Xiaobo Wang and Shuo Wang and Shifeng Zhang and Tianyu Fu and Hailin Shi and Tao Mei},
journal= {arXiv preprint arXiv:1812.11317},
year = {2019}
}