1.Motivation
a. inter-class similarities(similar appearance between different persons)
b. intra-class variations(same person with different pose, facial expressions, illuminations)
人脸图像存在类间相似,类内变化大的问题。很多方法都会针对这个问题设计Loss或者算法
2.Contribution
针对上述的问题,文章主要做的事情有:
a. 用center-clustering loss来最小化属于同一类的人脸特征之间的距离,解决intra-class variation
b. 分别对人脸的实数值特征和哈希码应用classification loss(即softmax),目的是学习出具有判别性的特征/哈希码, 将人脸从众多身份中辨认出来
c. 提出block hashing layer,这一层的作用是同时减少哈希码之间的冗余度,以及参数的数量
3.Proposed Approach
(1) 网络
和之前的几篇深度哈希论文一样,取最后一个池化层和最后一个卷积层的输出分别做全局最大池化,然后合并在一起进入全连层。这样做的目的是提取多尺度特征,并且减少参数的数量。
(2) 损失函数
文章用了四个loss, 两两分别作用在descriptor(图像连续值特征)和HashCode图像哈希码上。
a. Center-Clustering Loss
作用:让属于同一个人的不同训练数据靠近这个类中心
说明: D = { d 1 ^ , d 2 ^ } , . . . , d N ^ D = \{ \hat{d_1}, \hat{d_2} \} , ... , \hat{d_N} D={
d1^,d