【人脸识别】千变万化的人脸识别 REID损失函数总结

如果有不对的地方，欢迎指正！！！只是个人理解。

一、引言

人脸识别，REID都是经过卷积神经网络提取图像的特征向量，再进行比对的过程。神经网络的选择，可以选择经典的或者当下流行的，这里主要总结下千变万化的人脸识别 REID损失函数。

这里先说人脸识别比较火有代表性的两种方法。

facenet： 该方法用了triplet loss损失函数，Triplet loss属于度量学习，相比起softmax，它可以方便地训练大规模数据集，不受显存的限制。缺点是过于关注局部，导致难以训练且收敛时间长。代码链接如下：
https://github.com/davidsandberg/facenet

arcface：arcface loss属于变形softmax。softmax训练的时候收敛得很快，但是精确度一般达到0.9左右就不会再上升了，一方面是作为分类网络，softmax不能像度量学习一样显式的优化类间和类内距离，所以性能不会特别好，另外，人脸识别的关键在于得到泛化能力强的feature，与分类能力并不是完全等价的。这种损失函数改进了softmax，对特征向量归一化和加性角度间隔，提高了类间可分性同时加强类内紧度和类间差异。代码链接如下：
https://github.com/deepinsight/insightface

这两种方法也恰巧代表了人脸识别损失函数的两种研究方向，表征学习和度量学习，它们是什么意思？又有什么关系？请继续往下看。

二、表征学习和度量学习

度量学习：计量特征间距离，通过距离损失优化网络——>欧式距离及其变种

表征学习：将问题作为分类问题和验证问题——> softmax及其变种损失函数

这里度量学习很好理解，用欧式距离就可以计算出两串