Centralized Large Margin Cosine Loss for Open-Set Deep Palmprint Recognition TCSV2019T开放集识别论文解读

[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?