精读论文（1）------RegularFace

好久没读新论文，今天找的这篇论文可读性非常高，很适合精读。

RegularFace: Deep Face Recognition via Exclusive Regularization

本篇论文来自CVPR2019，一作是南开大学赵凯，主页：
http://kaizhao.net/research
主要研究方向是野外物体骨架检测
导师：mingming-zhang 方向，图像场景分析，编辑，检索。这些是小任务，耗用gpu比较少。

摘要：

(><表示不等于)
传统的人脸识别都是希望同一类别的图片在特征空间中距离比较近，而不同类别在特征空间中距离比较远（The Intra-class compactness and inter-class separability），然而这个算法关注了识别的另一个点，外部类别分离特性，那么怎么实现的呢？通过惩罚目标类别和他最接近类别的角度来定义图片的距离特征。和其他方法的定性比较，都取得了很好的效果。

人脸识别（face recognition）有两个子课题：（真的不好翻译用英文做区分吧）1：face identification ：给定一张图像来识别出他是谁（类似于分类）；2：face verification：给定一系列图片看他们是否属于同一身份。而开集检测是最符合基本现实生活问题的，否则就基本等同于分类没有研究价值了。

相关工作都是研究怎么让类内距离更接近的： Center loss； SphereFace； CosFace；ArcFace

文中提出这个算法的四个优点：

1：提出了使用不同类别中心点的角距离来量化不同类别的类间距离

2：关注类间距离是文章第一次提出来的。

3：这个方法相当于一个插件可以用到各个方法中（所谓的正交性）

4：在这个三个数据集中LFW , YouTube face (YTF) and MegaFace challege都取得了很好的效果。（训练网络其实使用的是VGGFace2和CASIA-WebFace）

文中提出这个算法的四个优点：

1：提出了使用不同类别中心点的角距离来量化不同类别的类间距离

2：关注类间距离是文章第一次提出来的。

3：这个方法相当于一个插件可以用到各个方法中（所谓的正交性）

4：在这个三个数据集中LFW , YouTube face (YTF) and MegaFace challege都取得了很好的效果。（训练网络其实使用的是VGGFace2和CASIA-WebFace）

相关工作：

人脸识别算法可以根据损失函数划分成两类：

softmax-free method ， softmax-based method

softmax-free method:这种算法他的类别信息其实对于我们不可见的，因为这是一种比较方法，要么判断两者相同或者两者不同，没有使用类别信息，典型的就是Siamese Network 和Triplet Networks，

softmax-based method：当然是和第一种方法相反，他是把类别信息作为监督信息用于网络的训练。

（延续师兄的观点，使用分类网络做预训练然后再使用softmax-free method 效果不会差）

后来人结合了第一种和第二种方法做了一篇工作。

观测和动机：

1. Center-loss：
这个部分没什么好说的，就是给一个简答的loss公式：
$$L_{centrer}=\frac{1}{2}\sum _{i=1}^N||x_i-c_{y_i}||$$

2. Softmax-loss：
基本的公式是：
$$p_c(x_i)=\frac{e^{W_c^T{x}_{}}}{{\sum }_{j=1}^C{e}^{W_j^{T}xi+b_j}}$$