insightface论文小结

使用DCNNs嵌入来表示人脸是人脸识别的首选方法。DCNNs将人脸图像映射到具有较小类内距离和较大类间距离的特征空间中。

训练用于人脸识别的DCNNs有两个主要的研究方向。训练一个多类别分类器，它可以在训练集中分离不同的身份，例如使用一个softmax分类器，还有直接学习嵌入特征，例如triplet loss。基于大规模训练数据集和复杂DCNN结构，基于softmax loss的方法和triplet loss的方法都可以获得良好的人脸识别性能。然而两者都有一定的缺点。
对于softmax loss：
（1）线性变换矩阵的大小随着身份数量n的增加而线性增大
（2）对于closed-set分类问题，所学习的特征是可分离的，但对于open-set人脸识别问题，识别性不够。
对于triplet loss：
（1）人脸三元组的数量出现爆炸式增长，特别是对于大型数据集，导致迭代次数增加
（2）样本挖掘策略造成很难有效的进行模型的训练。

提出了centre loss，即每个特征向量与其类别中心之间的欧式距离，以获得类内紧度，而类间分散则由softmax loss的联合惩罚来保证。然而，在训练期间更新实际类别中心非常困难，因为可供训练的人脸类别数量急剧增加。