GB-CosFace: Rethinking Softmax-based Face Recognition from the Perspectiv从开放集分类的角度重新思考基于Softmax的人脸识别

从开放集分类的角度重新思考基于Softmax的人脸识别

GB-CosFace: Rethinking Softmax-based Face Recognition from the Perspective
of Open Set Classification
 

1摘要：

1. 背景：目前最先进的人脸识别方法通常采用多分类管道，并采用基于softmax的损失进行优化。
2. 问题：尽管这些方法取得了巨大的成功，但从开放集分类的角度来看，基于softmax的损失有其局限性：训练阶段的多分类目标与开放集分类测试的目标并不严格匹配。
3. 提出方案：在本文中，我们得出了一个新的损失，名为全局边界CosFace（GB-CosFace）。我们的GB-CosFace引入了一个自适应的全局边界来确定两个人脸样本是否属于同一身份，这样，从开放集分类的角度来看，优化目标与测试过程是一致的。同时，由于损失公式来自于基于softmax的损失，我们的GB-CosFace保留了基于softmax的损失的优良特性，而且CosFace被证明是所提出的损失的一个特例。我们从几何学的角度分析和解释了所提出的GB-CosFace。在
4. 效果：多个人脸识别基准上的综合实验表明，所提出的GB-CosFace在主流人脸识别任务中优于目前先进的人脸识别损失。与CosFace相比，我们的GB-CosFace在TAR@FAR=1e-6、1e-5、1e-4的IJB-C基准上提高了1.58%、0.57%和0.28%。

2引言：

对人脸识别（FR）的训练目标的研究有效地提高了基于深度学习的人脸识别的性能[32, 34, 39, 40]。根据是用代理来代表一个人的身份还是一组训练样本，人脸识别方法可以分为无代理方法[4, 8, 12, 22-24, 27, 29, 30,35,42,48]和基于代理的方法[3,5,15,17,20,31, 33, 36-38, 47]。

1. 无代理的方法直接压缩类内距离，并基于成对学习[4, 12, 30, 35]或三联学习[8, 22, 23, 27, 29, 42, 48]扩大类间距离。然而，当处理大量的训练数据时，对无代理方法至关重要的硬挖掘操作变得非常困难。
2. 最近，基于代理的方法取得了巨大的成功，并在大数据训练中显示出优势。它们中的大多数采用了基于softmax的多分类管道，并使用交叉熵损失作为优化目标。在这些方法中，训练集中的每个身份都由一个原型来代表，这个原型是最终全连接层的权重向量。

在本文中，我们将这类方法称为基于软键的人脸识别方法。

传统的为近似集多分类问题设计的softmax-cross-entropy loss并不适合人脸识别这样的开放集分类问题。目前基于softmax的人脸识别方法已经对训练目标进行了各种改进。其中最关键的改进是将人脸特征归一到超球上，以便进行统一的比较[17, 37]。通常情况下，两个样本之间的相似性由其相应的特征向量的余弦相似性来表示。给定训练样本的特征向量和训练身份的原型，训练目标是压缩特征向量与相应原型之间的距离，并将其他原型从特征向量中推开。为了进一步压缩类内距离和扩大