本文探讨了人脸识别中损失函数的改进，旨在增强特征的区分性，提高识别性能。对比了Contrastive Loss、Triplet Loss、Center Loss和Large Margin Softmax Loss等方法，它们分别从欧式距离和余弦距离角度减小类内距离，增大类间距离。实验结果显示，这些改进的损失函数在LFW、YTF和Megaface等数据集上取得了显著的识别率提升。
问题：
人脸识别的框架一般是这样的(图来自center loss):
这个框架的有一个问题在于，用原始softmax学习到的特征，仅仅是separable的，而不够discriminative。在最后的分类层上，不同输出节点对应的权重可以看做类中心，用softmax分类的过程可以看成使样本尽量靠近本类中心，并远离其他类中心的过程。这个过程本身是希望类间距离尽量大、类内距离尽量小的，但是并没有将这点显示地突出出来，故最后的特征仅仅是可分的。因此，改进人脸识别的一个方法是在loss上突出这一点，从而得到更大的类间距离与更小的类内距离，使特征更具有区分性，从而提升识别的性能。
1. 欧式距离
1）Contrastive loss
论文：Chen, Yuheng , et al. “Deep learning face representation by joint identification-verification.” International Conference on Neural Information Processing Systems MIT Press, 2014.
①思想：softmax做identification 的基础上，同时增加 verification的loss，从而达到减小类内距离的目的。
②模型：
③具体实现：
原来的loss:
新加的loss可以有三种（后面做了对比实验）：
m代表margi
最低0.47元/天 解锁文章
3329
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
