Additive Margin Softmax for Face Verification

本文提出了一个概念简单、几何可解释的目标函数——Additive Margin Softmax（AM-Softmax），用于深度人脸识别验证。人脸识别通常可以看作是一个度量学习问题，学习具有小类内变化和大类间差异的大型边缘特征对于实现良好性能至关重要。最近，提出了Large-margin Softmax和Angular Softmax，它们以乘法方式引入角边缘。本工作提出了一种新颖的加法角度边缘，适用于Softmax损失函数，直观上更具吸引力且比现有工作更可解释。文章还强调并讨论了特征归一化的重要性。 人脸识别广泛用于身份认证，应用领域包括金融、军事、公共安全等。现今，大多数人脸验证模型都是基于深度卷积神经网络，并通过分类损失函数、度量学习损失函数或这两者结合的方式进行监督。度量学习损失函数如对比损失或三重损失通常需要精心设计的样本挖掘策略，并且最终性能对这些策略非常敏感，因此越来越多的研究者将注意力转移到基于改进的分类损失函数构建深度人脸识别模型上。当前主流的深度人脸识别分类损失函数大多基于广泛使用的softmax损失函数。softmax损失通常擅长优化。 文章中提到了人脸识别任务可以视为一个度量学习问题，即学习具有小的类内变化和大的类间差异的大型边缘特征是至关重要的。要实现良好的性能，这一点非常重要。文章还提出了新颖的加法角度边缘，用于Softmax损失函数。该方法在直观上更有吸引力，并且比现有的工作更容易解释。此外，文章还强调了特征归一化的重要性，并通过在LFW和MegaFace上的实验表明，所提出的加法边缘softmax损失函数在相同的网络架构和训练数据集上，相比于当前最先进的方法表现得更为优秀。此外，代码已经公开发布。 人脸识别验证的目的是为了保证一个系统能够在各种场景下准确地识别个体身份。为了达到这一点，研究者们提出了各种损失函数来训练深度学习模型。在这个过程中，如何增加类内变化的紧凑性和类间差异的显著性成为了关键问题。文章提出的AM-Softmax损失函数通过引入加法边缘，增加类间差异，帮助模型更好地学习到区分不同个体的特征。 特征归一化是深度学习中一个关键的步骤，它有助于减少不同特征的尺度差异，使得模型能够更加关注于特征的相对重要性而非大小。文章中强调了在人脸识别任务中，特征归一化是不可或缺的，它能够进一步改善模型的学习效果。 LFW（Labeled Faces in the Wild）是一个广泛用于人脸识别研究的基准测试集，它包含了大量的、在自然环境下拍摄的人脸照片。而MegaFace是一个大规模的人脸识别挑战集，它评估模型在面对大量不同人的大量人脸图片时的性能。在这些基准测试集上表现优异，说明了新方法在真实世界的应用场景中具有很高的实用价值。