ArcFace：Additive Angular Margin Loss for Deep Face Recognition¶
论文地址¶
https://arxiv.org/abs/1801.07698
摘要¶
Cite
最近，人脸识别领域的一个热门研究方向是在已建立的软最大损失函数中采用边缘，以最大化类别可分性。在本文中，我们首先介绍了一种加性角边缘损失（ArcFace）， 它不仅具有清晰的几何解释，而且显著增强了辨别能力。由于ArcFace容易受到大量标签噪声的影响，我们进一步提出了子中心ArcFace，其中每个类包含K个子中心， 训练样本只需要接近K个正子中心中的任何一个。副中心ArcFace鼓励一个主要子类，其中包含大多数干净的人脸，而非主要子类则包含坚硬或嘈杂的人脸。基于这种自行隔离， 我们通过在大量真实世界噪声下自动净化原始网页来提高性能。除了鉴别特征嵌入，我们还探讨了逆问题，将特征向量映射到人脸图像。在不训练任何额外的生成器或鉴别器的情况下， 预训练的ArcFace模型仅通过使用网络梯度和批量归一化（BN）先验，就可以为训练数据内外的对象生成保持身份的人脸图像。大量实验表明，ArcFace可以增强鉴别特征嵌入， 并增强生成人脸合成
重点是角边缘损失
总结¶
Cite
在本文中，我们首先提出了一个名为ArcFace的附加角边缘损失函数，该函数可以有效地增强深度特征嵌入在人脸识别中的辨别能力。我们进一步在ArcFace中引入了子类， 以在大量真实世界噪声下放松类内约束。提出的子中心ArcFace鼓励一个主要子类，其中包含大多数干净的人脸，而非主要子类包含坚硬或有噪声的人脸。这种自动隔离可用于清洁大型网页， 我们通过最全面的实验证明，我们的方法始终优于现有技术。除了增强识别能力，ArcFace还可以增强模型的生成能力，将特征向量映射到人脸图像。预训练的ArcFace模型仅通过使用网络梯度和BN先验， 就可以为训练数据内部和外部的对象生成保持身份的人脸图像。由于所提出的ArcFace反演仅关注于逼近目标身份特征，因此面部姿态和表情是不可控的。在未来， 我们将探索控制中间神经元激活，以在反转过程中针对特定的面部姿势和表情。此外，我们还将探讨如何使人脸识别模型不可逆，以便无法根据模型权重轻松重建人脸图像，以保护隐私