人脸方向学习（四）：Face Recognition-SphereFace解读

整理的人脸系列学习经验：包括人脸检测、人脸关键点检测、人脸优选、人脸对齐、人脸特征提取五个过程总结，有需要的可以参考，仅供学习，请勿盗用。https://blog.csdn.net/TheDayIn_CSDN/article/details/93199307

SphereFace解读

论文地址：SphereFace： Deep Hypersphere Embedding for Face Recognition

代码地址：https://github.com/wy1iu/sphereface

论文题目：SphereFace: Deep Hypersphere Embedding for Face Recognition

一、Abstract 摘要

论文主要讲解了在开集上的人脸识别问题，最好的特征提取模型是在特定的度量空间中，满足同一类的最大类内距离小于不同类的最小类间距离，作者提出了一种基于角度的loss函数angular softmax (A-Softmax) loss，这种loss函数可以学习角度判别特征。A-Softmax可以在超球面上施加角度判别约束，角边的大小可以通过参数m调整，m越大特征越可分，而且A-softmax也通过LFW、YTF、MegaFace Challenge进行了测试，在人脸识别任务上表现优秀。

二、Introduction简介

主要问题如上所示：人脸识别可以分为人脸验证（1:1）和人脸识别（1：N）问题；如上左侧红色框所示，人脸验证是一个分类问题，是指待测试人脸和对比人脸是不是同一个人（ID），常用于机场高铁进站台口的人证核验场景；人脸识别是一个距离度量问题，是比较待测试的人脸和测试库中哪些人最相似，是不是同一个人，常用与人脸检索等场景。

测试协议可以分为closed-set  和 open-set 两种

close-set，是所有的测试集都在训练集中出现过。所以预测结果是图片的ID，如果想要测试两张图片是否是同一个，那么就看这两张图片的预测ID是否一样，这是一个分类问题，只要求特征可分。

open-set，是测试的图片并没有在训练集中出现过，那么每张测试图片的预测结果是特征向量，如果想要比较两张图片的人脸是否属于同一个人，需要测试图像特征向量的距离。这里的人脸识别也可以看做是在探测集和画廊集之间的人脸验证，基本原理是距离度量问题，最关键的是学习有辨别力的大边特征。

解决Open-set上的人脸识别问题

理想的Open-set人脸识别学习到的特征应当在特定的度量空间中，满足同一类的最大类内距离小于不同类的最小类间距离，然而使用此标准学习特性通常比较困难，因为类内变异大，类间相似度高。

前人有用softmax loss学习人脸特征，然而softmax loss仅仅能够使得特征可分，还不能够使得特征具有可判别性。尽管有一些方法通过结合softmax loss和 contrastive loss、center loss去提高特征的可判别性，但是contrastive loss和center loss需要精心地构建图像对和三元组，不仅耗时而且构建的训练对会对识别性能影响很大。因此，作者提出了angular softmax（A-Softmax）loss。

对于一个二分类的softmax的决策边界是 ，如果限制而且，那么边界决策函数就就可以变形为

 

, ，那么这个边界决策函数仅仅x由w和所决定，因此损失函数关注的是特征的角度可分性。在此基础上，作者又引进了一个整数变量m（m>=1），m控制着角度间隔，类别1和类别2最终形式：

对类别1：

对类别2：

这就是二分类的A-Softmax loss。如下是softmax Loss ，modified softmax loss和A-softmax loss 在二分类的情况下的边界决策函数的形式，

下图则是效果展示。虽然是二分类形式，但是也可以一般化成多类别的分类。

三、Deep Hypersphere Embedding 深度嵌入超球面原理

 

 

 

 

相关博客：

https://blog.csdn.net/cdknight_happy/article/details/79268613

https://blog.csdn.net/qianqing13579/article/details/78288780

https://blog.csdn.net/weixin_42111770/article/details/80665419