SphereFace: Deep Hypersphere Embedding for Face Recognition（人脸识别论文笔记）

这是一篇发表于2017年cvpr的文章，在open-set的人脸识别方面取得了非常令人瞩目的成果。

文章下载：https://pan.baidu.com/s/1rwyD1UUIHBhRzr7nA6v9Sw  密码:naur

Github:https://github.com/wy1iu/sphereface

纵览整篇论文，最重要的贡献是提出了新的损失函数（A-Softmax），并从几何学角度给出了直观的解释。

文章首先从人脸识别的一些基础概念开始介绍：

从识别的目的角度来说，Face Recognition可以分成两类：face identity and face certification。前者是1 to n的，即根据人脸的特征来判断当前测试者匹配数据库中哪个个体，后者是1 to 1的，对比测试的人脸和已有人脸判断是不是同一个人。

从testing protocol来看，人脸识别又可以分为close-set和open-set的：open-set中所有测试集的个体都是训练集里出现过的，判断测试者属于哪个训练集中个体，相当于是一个分类问题，每个个体是一类；close-set中所有个体都是没有在训练集中出现过的，更接近一个metric learning，主要目的是学习人脸的特征。open-set的人脸识别提取出的特征最重要的标准，是同一个体的特征距离尽可能小，不同个体特征距离尽可能大，最大的intra class distance 要小于最小的inter class distance。这个很重要，后面提出的众多优化方法都是基于这一标准的。