精度论文（2）------SphereFace

SphereFace: Deep Hypersphere Embedding for Face Recognition

（>< 表示不等于)
本文是发表在CVPR2017年的论文，作者院校：乔治亚理工学院，卡耐基梅隆大学，中山大学
算法核心思想很简单，将原始的距离度量的方法转换成了角度度量。

人脸识别的基本方法和难点

基本方法就是将同类的特征映射距离拉近，将异类特征映射推远，
难点在于同类图片的内部差异性很大，而人脸识别相当于是细粒度分类，对于不同人的图片对于差异性也很小，如何调节这种矛盾非常关键。
那么引入一个观点，能抛弃基本方法，找到一个更合适的方法，让整个问题避开这个难点呢

相关算法探讨

（作者在文中对于之前算法的评价真的很到位），首先，一些文章引入的是基于softmax loss 的方法，众所周知基于softmax loss的算法其实都是从基本的分类得来的，但是这种算法只能得到有分类能力的特征，而这些特征的识别能力比较欠缺（这句话不是非常清楚什么意思），这种算法只使用了类别标签学习，对于不同类别之间的关系问题没有特别的关心，但是要突出一下类间的差异性会更适合识别这个任务，打个比方，就是只使用标签信息提取特征能学到人和其他物种的区别，但是由于区分度特征不够，不能分别这个人脸到底是谁的人脸，综上，没有类间类比信息的算法只能实现粗粒度分类无法实现细粒度分类，只有通过比较才能得到更细节的信息 那么是否只有通过比较才能得到更细节的信息呢加入attention看看,针对这个问题，后面的文章就采用了triplet loss，contrastive loss，center loss 结合softmax 来提高算法的区分能力，对于center loss 只能让类内距离缩小，然而却没有对类间的距离做相应的处理，contrastive loss 和triplet loss 是可以在增加类间距离的同时让类内距离更小的，（triplet loss 达到了the start of the art），但是contrastive loss，triplet loss 不可能对每一个样本都做约束（穷举后是指数级），同时，如果没有做特殊的处理，简单样本多学习，困难样本学习的少，会导致整体效果不是很好，甚至导致不收敛。对于这种情况，精调和算法的设计细节就显得尤为重要了，而这些是会造成时间的浪费和performance-sensitive（不好翻译，直接理解为敏感吧）

将数据映射到一个球面，而球面是封闭的，对开集处理并不好。

想法

有些算法将基于欧几里得度量的损失算法和softmax loss 相结合共同构建出了了一个联合的监督信息，然而，事实证明，（A discriminative
feature learning approach for deep face recognition. In ECCV这篇论文应该是本篇论文的主要启蒙论文）其实通过softmax loss 学习到的特征本质上是一种角分
布，这就意味着将欧几里得度量的损失和softmax损失结合不是一种空间上的结合，效果不会很好。

相关工作

关于人脸开集处理的论文最早是在2014年提出来的。

关于softmax的演变

本文的主要方法就是A-softmax loss 我们看看是怎么慢慢从softmax慢慢演变过来的，（只针对binary-class case分析）。
原始的softmax表达式：
$$p_i=\frac{exp(W_i^{T}x+bi)}{{\sum }_{j}exp(W_j^{T}x+bj)}$$
由于向量点积的形式可以用向量角度和模的方式换算，
对应的
$$W_i^{T}x+bi=||W_i^T||||x||cos({\theta }_i)+b_i$$

θ i \theta_i θ