[1] D Zhong, Zhu J . Centralized Large Margin Cosine Loss for Open-Set Deep Palmprint Recognition[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2019, PP(99):1-1.
本文将常规的CE loss替换为中心大边际损失,提出了一个基于中心大边际损失的开放集掌纹识别方法。(压缩了已知类的空间,留出了m空间给未知类)
- 在训练时,该方法将大边际余弦损失(LMCL)与中心损失结合起来,制定了一个新的损失函数,即集中大边际余弦损失(C-LMCL),用于开放集掌纹识别。对于单LMCL来说,通过设置一个粗略的边际m,不同类别的特征向量在超特征空间中的位置更加均匀和孤立;但是类内距离可能不够紧凑。对于单中心损失,它侧重于将同一类别的特征尽可能地拉近;但不同类别之间的距离可能还不够远。因此,本文结合这两种损失为
其中
- 在测试,对于人脸识别identification,通过匹配余弦距离最小的gallery结果。对于人脸比对,设置一个余弦距离阈值,当超过阈值时,认为两个样本同属于一个类(手掌纹)。
- 启示:大边际损失可以放大真实类和其他类之间的距离,为未知类留出分类空间便于开放集识别,但这个大边际必须真实存在于已知类之间,否则只会降低分类准确率,那么还有什么损失函数可以促进开放集识别?