Source code: https://github.com/ydwen/caffe-face
FaceNet: https://github.com/davidsandberg/facenet
相关的blog:https://blog.csdn.net/dongfang1984/article/details/53337195
摘要:提出了centor loss用于增强特征的可分辨性,centor loss同时学习每一类深度特征的中心,并加大类间距离。论文使用了softmax loss和centor loss进行同时训练,达到减小类内距离和增加类间距离的目的。方法在LFW,YFF及MegaFace上进行了实验,在最大公开人脸测试数据集MegaFace上获得了最好的效果。
论述
一般的物体分类,是闭集合的,softmax loss一般可以解决这类分类问题。对于人脸识别,特征不仅要可分,分辨性还要高。原因是不可能采集到测试集中所有的id用于训练,特征要具有足够的分辨和泛化能力。由于SGD是在mini-batch上优化的,为分辨力高的特征学习构建有效的损失函数并不容易,训练集很大,不可能每次迭代都输入所有的样本。Triplets损失,contrastive损失是一种可选的方案,但随着训练集的增大,这两种损失的复杂度增长较快。论