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。