【人脸识别】千变万化的人脸识别 REID损失函数总结

最新推荐文章于 2024-07-16 13:34:36 发布

爬爬与芝士

最新推荐文章于 2024-07-16 13:34:36 发布

阅读量1.5k

点赞数

分类专栏：人脸识别文章标签：人脸识别损失函数深度学习神经网络机器学习

本文链接：https://blog.csdn.net/shangpapa3/article/details/109079071

版权

本文总结了人脸识别中的代表性损失函数，包括对比损失、三元组损失、改进版三元组损失、四元组损失、难样本采样三元组损失和边界挖掘损失，探讨了表征学习和度量学习的关系，并介绍了arcface和circle loss，强调最大化类内相似性和最小化类间相似性的重要性。

摘要由CSDN通过智能技术生成

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
在这里插入图片描述

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
在这里插入图片描述
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。