SphereFace : Deep Hypersphere Embedding for Face Recognition学习笔记

学习内容

摘要：

理想的脸部特征识别希望达到最大类内距离小于最小类间距离的标准，但是少有基于Euclidean margin的算法能够很好达到这一标准。本文提出了基于 angular margin 的 A-softmax loss（angular softmax loss）用来改进原来的softmax loss。

引言：

• face recognition的分类

• A-softmax loss简单讲就是在large margin softmax loss的基础上添加了两个限制条件||W||=1和b=0，使得预测仅取决于W和x之间的角度。
• 三个主要贡献
  
  1. 提出了基于 angular margin 的 A-softmax loss（angular softmax loss）
  2. 引申了下界m
  3. 首次展示angular margin在FR的优越性

正文

修正 softmax loss

引入angular margin

A-softmax loss在超球面的解释

决策面相当于

mw1=mw2

A-softmax loss的性质

M越大， angular margin 越大，流形的约束区域越小，则正确的学习越困难
二分类时： mmin≥2+√3
多分类时：mmin≥3

在LFW，YTF和MegaFace Challenge上的实验

总结

本文提出了一个全新的深度嵌入式超球面的FR方法。利用基于 angular margin 的 A-softmax loss（angular softmax loss）用来改进原来的softmax loss，能得到很好的效果。

遇到的问题

• 论文3.4节中mmin下界的推导（二分类与多分类）

• max intra-class angle和min inter-class angle

计划