代码收录：PytorchNetHub
- 基于人脸识别的分类器
- 源码解读 + 代码复现
| 模型 | 代码 | 备注 | 来源 | 更新 |
|---|---|---|---|---|
| AMSoftmax | 原地址 | 乘法角间隔 | 2020.9 | |
| ArcFace | 原地址 | 加法角间隔 | CVPR2019 | 2020.9 |
| CircleLoss | 原地址 | 加权角间隔 | CVPR2020 | 2020.9 |
| DiscFace | 复现 | 最小化差异学习 | ACCV2020 | 2020.12 |
| NPCFace | 复现 | 正负联合监督 | 2020.12 |
决策边界
| Loss | Decision Boundary |
|---|---|
| Softmax |  |
| SphereFace |  |
| CosFace/AMSoftmax |  |
| ArcFace |  |
| MV-Arc-Softmax |  |
| CurricularFace |  |
- CenterLoss:A Discriminative Feature Learning Approach for Deep Face Recognition
- ArcFace: Additive Angular Margin Loss for Deep Face Recognition
- DiscFace: Minimum Discrepancy Learning for Deep Face Recognition
- NPCFace: A Negative-Positive Cooperation Supervision for Training Large-scale Face Recognition
Table of contents generated with markdown-toc
ECCV2016
| 主题 | 描述 |
|---|---|
| 问题 | Softmax只促进特征可分离性，对人脸识别（类内紧凑，类间区隔）并不有效。 |
| 创新点 | 针对人脸识别，为加强特征可区分能力，提出Center-Loss。 |
| 原理 | 1. 基于mini-batch更新类中心。 2. 为避免少量错误标记造成较大扰动，使用α控制学习率。 |
| 好处 | 1. 学习类中心，惩罚类间距离。 2. 易于训练、优化。 |
CVPR2019
| 主题 | 描述 |
|---|---|
| 原理 |  |
ACCV2020
| 主题 | 描述 |
|---|---|
| 问题 | 基于Softmax方法：训练过程中，类中心周围的样本特征虽然与类中心接近，但各自方向不同，彼此间隔较大 。这种方向性的差异将导致评估性能下降。 注：训练阶段优化样本特征与类中心距离，评估阶段衡量样本对之间角距离。 |
| 创新点 | 1. 第一个提出 “解决过程差异”问题。 2. 提出正则化方法“最小偏差学习”：通过一个可学习偏差 迫使类内样本特征朝向最优方向。 3. 可学习偏差 有助于从样本特征中分离出“类不变向量”。 |
| 原理 |  |
| 好处 | 1. 适用于 “类别不平衡” 及 “类别数量大，类内样本少” 的数据集。 2. 容易嵌入CosFace\ArcFace等基于Softmax的分类器中。 |
| 主题 | 描述 |
|---|---|
| 问题 | 1. 大规模人脸识别下，正类与负类存在大量难样例。 2. 当前方法仅关注正类边界or负类边界，忽略了正负对数之间间隔的相关性。 |
| 创新点 | 1. 灵感来源：当某个样本为正类难样例，通常也可能是负类难样例。 2. 提出样本级别的正负对数间隔明确关系，强调正负类的难样例。 3. 提出正负联合监督损失NPC，通过难样例提升性能。 |
| 原理 | 1. 正负对数的难样例独立计算。 2. 正对数监督：以ArcFace为基础，引入自定义的加法间隔m，对难易样例各种加间隔。 3. 负对数监督：以MV-Softmax为基础，分离加法间隔和乘法间隔，实现稳定训练且加强难样例监督。针对难样例，通过超参t（代表尺度）引入乘法间隔，超参α（代表位移调整）引入加法间隔。 |
| 好处 | 正负对数监督可灵活组合，适用大规模人脸识别。 |