本文深入探讨了人脸识别中的多种损失函数，包括Softmax Loss、Center Loss、A-Softmax Loss、L-Softmax Loss、CosFace Loss、AM-Softmax以及ArcFace，分析它们在优化类间距离和类内距离上的作用，以提高特征的可判别性。ArcFace因其直接优化角度距离而在人脸识别任务中表现优越。
最近在研究自编码器提取特征做分类和生成、重建。所以细致了解人脸识别的各种损失函数！
1、概要
人脸识别：输入一张图片，进行人脸检测，再提取关键点进行人脸对齐矫正，最后提取人脸特征，进行判别这个人是谁。判别这个人是谁，本质上是分类问题。
既然牵涉到分类，分类的目的就是不同类的类间间距够大，同一类的类内距离足够小。那么我们一步一步介绍人脸识别中常用的损失函数。
2、Softmax Loss
：将特征图扁平化后的输出映射到(0，1)之间，给出每个类的概率。假设最后一层特征图尺度是：
。再将这些特征输入给扁平化 为 [
] 个向量(这里的
是
)。下面扁平化的 [
X
] 的向量进入全连接层，全连接层的参数权重是
(
X
)(这里的
表示分类的类别数)，经过全连接层处理就会得到一个 [
x
] 的向量，但是这个向量里面都每个数值的大小都没有限制，或许是无穷大，也有可能是无穷小，均有可能。因此多分类时候，往往在全连接层后面接个
层。这个层的输入是 [
x
] 的向量，输出也是 [
x
] 的向量。但是输出的每个向量都归一化到
之间。这里的
输出的向量是该样本属于每一类的概率。
公式：
上面公式中的
表示这 [
x
] 个向量中的第
个值，而下面分母表示所有值的求和。上式成功的把
归一化到
之间。优化目标：属于正确标签的预测概率最高。
下面介绍
：
上式中的
表示
层输出的第
的概率值。
表示一个 [
x
] 的向量，里面的
列中只有一个为1，其余为0(真实标签的那个为1，其余不是正确的为0)。这个公式有一个更简单的形式是：
其中的
是指当前样本的真实标签。
函数是个递增的函数，你预测错的概率会比你预测对的概率要大，因为前面加了一个负号。
图像分类里面常用
。
3、Center Loss
来自
最低0.47元/天 解锁文章
426
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
