论文（ArcFace: Additive Angular Margin Loss for Deep Face Recogniti...

使用特征学习的主要挑战之一深度卷积神经网络（DCNN）用于大规模人脸识别是适度损失的设计可以增强判别力的功能。中央损失会惩罚深层特征之间的距离他们相应的班级中心在欧几里得空间实现类内的紧凑性。 SphereFace假设最后完全连接的线性变换矩阵层可以用作类的表示在角度空间中居中并因此惩罚角度在深层特征及其相应权重之间以乘法的方式最近，热门研究将保证金纳入公认的亏损函数为了最大化人脸分类的可分离性。在本文中，我们提出了一个附加的角余量损失（ArcFace）获得用于面部识别的高度区分性功能。拟议的ArcFace具有清晰的几何解释由于它与测地距离精确对应在超球上。我们可以说是最广泛的针对所有最新技术的实验评估十种面部识别基准的面部识别方法其中包括一个新的大型图像数据库拥有成千上万的货币对和大规模的视频数据集。我们表明ArcFace的性能始终优于且可以通过微不足道的计算轻松实现高架。