电荷与电势能也和人脸识别有关？——UniformFace论文阅读

电荷与电势能也和人脸识别有关？——UniformFace论文阅读

​ 电荷与电势能也能跟人脸识别有关吗？？？对！！UniformFace的作者就在它们之间建立了联系。今天，我来和大家一起分享一下这篇论文（UniformFace: Learning Deep Equidistributed Representation for Face Recognition ）吧。

Introduction

​ 一般来说，一个实际的人脸识别系统有四个主要步骤：人脸检测、人脸对齐、人脸表示和人脸匹配。在其中，人脸表示（Face Representation）是从不同的人身上提取人脸识别特征的关键。近年来，随着深度学习的快速发展，基于卷积神经网络（CNNs）的人脸表示技术得到了长足的发展。而决定CNN特征识别能力的关键因素有三个，分别是：训练数据、网络结构和损失函数。在这篇文章中，作者主要关注的是第三个方面，也就是如何设计一个更有效的损失函数。

​ 既然讲到损失，我们最常见、最了解的便是多分类问题使用到的Softmax Loss了。Softmax Loss广泛应用于训练CNN特征，它通常被定义为最后一个完全连接层、Softmax函数和交叉熵损失的组合，其表示如下：
$$L_s=-\frac{1}{N}\sum _{i=1}^{N}log\frac{e^{{\mathbf{W}}_{y_i}^T{\mathbf{x}}_i+b_{y_i}}}{{\sum }_{j=1}^M{e}^{{\mathbf{W}}_j^T{\mathbf{x}}_i+b_j}}$$
​ 而Softmax Loss学习到的特征具有内在的角度分布，这表明余弦距离是度量，因此损失函数又可以写为如下的这种形式:
$$L_m=-\frac{1}{N}\sum _{i=1}^{N}log{\sum }_{j=1}^M{e}^{||\mathbf{x}}$$