人脸识别（二）：Cvpr 2017 Sphereface

本篇是人脸识别的第二篇文章：
人脸识别第一篇：Center Loss
人脸识别第二篇：SphereFace
人脸识别第三篇：CosFace
人脸识别第四篇：ArcFace
人脸识别第五篇：CCL

人脸特征点检测第一篇：[综述]
(https://blog.csdn.net/u014230646/article/details/79445384)
人脸特征点检测第二篇：[Cvpr 2012 树模型实现]
https://blog.csdn.net/u014230646/article/details/79445524
人脸特征点检测第三篇：[基于CNN的方法-VGG, Mobilenetv2尝试]
https://blog.csdn.net/u014230646/article/details/79445676
人脸特征点检测第四篇：[基于FCN的方法]
https://blog.csdn.net/u014230646/article/details/79445867
这篇文章的思想是:

• 使得类间距离的最小值大于类内距离的最大值,同时保留较大的裕量.
• 归一化softmax前的全连接层权重,则优化的是角度.
  提出了一种角度的softmax.学习到角度判别性的特征。可以看成在一个超球面的流形上施加判别性的约束。先验假设是：人脸是位于流形上的。通过参数m定量调整角度的裕量，并导出了m的下界。证明易懂。

实验

作者公开了代码,我按照他的代码在CASIA-Webface上训练了一下,LFW的准确率可以达到99.18%(论文中是99.26%),还是和原文有些差距.
在LFW上测试，特征余弦距离的分布：

以及ROC曲线：

具体细节详见我的github:https://github.com/goodluckcwl/Sphereface-model
请给个星呗!

更新

最近新出了几篇改进loss，加裕量的文章，详见我的博文。