特征提取器笔记：CenterLoss+ArcLoss

特征提取器

特征：数据的差异性

一个好的特征提取器：足够的数据量+不错的特征提取能力

增强特征提取能力核心是损失

线性函数解决非线性问题解决方式

1. 分为多个线性问题
2. 升维 --> 线性不可分转为线性可分
3. 激活函数

常见人脸识别损失函数

1. SoftmaxLoss
2. CenterLoss
3. TripletLoss
4. SphereFace
5. CosFace
6. ArcFace

CenterLoss笔记

原理

CenterLoss通过减少类内距，间接增大类间距

在原有分类模型基础上，增加一个距离损失，来增强模型提取特征能力

参数lamda，增大了距离损失，加快了提取能力

对比softmax

softmax具有归一化属性，为特征提供方向，在特征空间是等分的方向指向（决策线）

centerloss增加了一个中心距离损失，让类别向中心点靠拢，从而拉开不同类别之间的差距

不足

如果两个决策线本身中心点相隔较近，无法拉开差距

ArcLoss笔记

用于人脸识别的损失函数，增强人脸特征之间的差异性，来提高人脸识别的准确率

原理

改良softmax，减小相似度系数的方式来增大相连之间的距离

参数s用于控制特征向量的范围。s值越大，不同类别之间距离越远，同一类别距离越近。通常经验把s设置为sqrt(n)，其中n为分类数目

参数m用于控制同一类别内样本和中心点之间的夹角大小。m为0，则ArcLoss变为SoftmaxLoss

对比softmax

loss=交叉熵( 改良softmax )

改良softmax：带有s、m参数的softmax，增大了不同类别的夹角