pytorch如何定义损失函数_人脸识别损失函数简介与Pytorch实现：ArcFace、SphereFace、CosFace...

一般来说，人脸识别分三步走：

1. 找人脸：图片中找出含人脸的区域框出来
2. 对齐人脸：将人脸的眼镜鼻子嘴巴等标出来，以此作为依据对齐人脸
3. 识别：将对齐的人脸进行识别，判定这张脸究竟是谁

本篇要介绍的损失函数，用于第三步骤，聚焦于更准确地识别这张脸究竟属于谁，本质上属于一个分类问题。

一言以蔽之ArcFace、SphereFace、CosFace三个损失函数相对于前辈们而言，改进的一个核心思路就是：

只有平常（train）更刻苦的训练，才有可能在比赛中（test）中得到更好的结果。

它们都对卷积神经网络提出了更高的目标，在训练阶段更为艰难，也因此让其成为了一个更好的分类器。

一、从前辈说起

首先谈谈他们的前辈：

维基百科介绍：

Softmax函数，或称 归一化指数函数[1]，是逻辑函数的一种推广。它能将一个含任意实数的K维向量

“压缩”到另一个K维实向量

中，使得每一个元素的范围都在

之间，并且所有元素的和为1。该函数的形式通常按下面的式子给出：

简单来说 softmax 将一组向量进行压缩，使得到的向量各元素之和为 1，而压缩后的值便可以作为置信率，所以常用于分类问题。另外，在实际运算的时候，为了避免上溢和下溢，在将向量丢进softmax之前往往先对每个元素减去其中最大值，即：

想了解更多，可以参考：忆臻：softmax函数计算时候为什么要减去一个最大值？

再谈谈一个容易搞混的东西：

上面我们丢入一个长度为

的

向量，得到

，而softmax loss呢，则是：

其中

是一个长度为

的one-hot向量，即

，只有ground truth对应的

。所以也可以简写为：

到这里我们不妨在看看交叉熵

：

其中

是真实分布，在分类任务中，

实际上等价于上面的

。而

则是预测分布，在分类任务中

实际上等价于上面的

。这样一来进行化简就得到：

我咋觉得这么眼熟呢...

所以，我们可以得到：

参考链接： https:// blog.csdn.net/u01438016 5/article/details/77284921

二、SphereFace

论文地址： https:// arxiv.org/pdf/1704.0806 3.pdf

要想增强

的分类能力，其实就是要在分布上做到两点：

1. 让同类之间距离更近
2. 让不同类之间距离更远

不妨继续看看

：

其中

代表两个向量

之间的夹角，如果对

归一化，将偏置

置为0，即

，则有：

下标

表示

。

对于

我们乘上一个大于等于1的整数

：

这样不仅放大了类之间的距离，也因放大了同类

与

之间的间隔而使类内更聚拢。

不过上述公式仍有问题：原来的

，如今

超出了向量之间的夹角函数

定义域范围

咋办？

那就变个函数呗，把n个cos怼起来变成一个递减的连续的函数：

这样一来：

如此我们就得到了SphereFace的损失函数

原论文则是：

其中

表示第

个样本，

表示第

个样本的

标签，

表示第

和样本

之间的夹角。

论文中的可视化图片：

Pytorch代码实现：

# SphereFace

三、CosFace

论文地址： https:// arxiv.org/pdf/1801.0941 4.pdf

和SphereFace类似，CosFace也是从

的余弦表达形式入手，令

。与此同时，作者发现

对于分类并没有啥帮助，所以干脆将其固定

，所以有：

应该代表归一化的

。

接下来与上文

类似的是也引入了常数

，不同的是这里的

是加上去的：

以上我们就得到了CosFace中提出的

代码实现：

# CosFace

四、ArcFace

论文地址： https:// arxiv.org/pdf/1801.0769 8.pdf

话不多说，直接上公式：

可以看到和CosFace非常类似，只是将

作为角度加上去了，这样就强行拉大了同类之间的角度，使得神经网络更努力地将同类收得更紧。

伪代码实现步骤：

1. 对
   进行归一化
2. 对
   进行归一化
3. 计算
   得到预测向量
4. 从
   中挑出与ground truth对应的值
5. 计算其反余弦得到角度
6. 角度加上m
7. 得到挑出从
   中挑出与ground truth对应的值所在位置的独热码
8. 将
   通过独热码放回原来的位置
9. 对所有值乘上固定值

代码实现：

# ArcFace

到此ArcFace、SphereFace、CosFace的损失函数就介绍完啦~

参考链接：https://blog.csdn.net/fuwenyan/article/details/79657738

欢迎关注个人微信公众号：

欢迎扫码关注~