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
- 分为多个线性问题
- 升维 --> 线性不可分转为线性可分
- 激活函数
常见人脸识别损失函数
- SoftmaxLoss
- CenterLoss
- TripletLoss
- SphereFace
- CosFace
- 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