本文介绍了一种通过加入CenterLoss来改进传统Softmax损失函数的方法，以提高深度学习模型在人脸识别任务上的表现。该方法旨在增强特征的判别能力，尤其是在测试样本不在训练集中的情况下。文中详细解释了CenterLoss的概念、数学定义及其与Softmax损失函数的结合方式，并展示了在多个数据库上取得的优秀实验结果。
A Discriminative Feature Learning Approach for Deep Face Recognition
ECCV 2016
code: https://github.com/ydwen/caffe-face
本文针对人脸识别问题，针对 loss function提出了加入 center loss，使得学习到地 深度特征更加 discriminative 。
以前CNN网络主要使用 softmax loss，学习到的深度特征更侧重于 separable。但是对于人脸识别问题，由于测试样本很可能不包含在学习样本中，所有我们更加需要discriminative的特征。
3.1 softmax loss 函数定义如下
下图所示为 softmax loss 学习到的二维特征分布图
3.2 The center loss
直观定义如下：
上面定义的实现有些困难，做了些便于算法实现的修改，如下所示：
总体损失函数如下：
新的损失函数学习到的特征分布图
算法流程图如下所示：
数据库上的测试结果对比：
扫一扫
534
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
