三元损失函数-人脸识别

最新推荐文章于 2024-10-03 12:34:48 发布

原创最新推荐文章于 2024-10-03 12:34:48 发布 · 2.9k 阅读

5 ·

CC 4.0 BY-SA版权

本文聚焦人脸识别任务中FaceNet所用的三元损失函数。介绍了其原理，希望识别时d(A,P)<=d(A,N)，为防止特殊情况加入超参数α。还说明了三元损失函数及代价函数的形式，训练时对代价函数使用梯度下降。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

FaceNet-Triplet loss function

对于人脸识别任务，最经典的是FaceNet，在FaceNet(A Unified Embedding for Face Recognition and Clustering)中，用到的人脸识别方法-三元损失函数。本文主要讲一下三元损失函数的原理。

Paper: arXiv:1503.03832v3

如下图所示，A,P,N分别表示：人A,P表示与A同一个人，N表示与A不同的人。
在这里插入图片描述
那么我们希望在识别的时候，d(A,P)<=d(A,N)。d(A,P)尽可能的小，d(A,N)尽可能的大，也就是：

即：

但是在识别时，有时候，d(A,P)<=d(A,N)，在A,P,N为同一个人时也有可能出现，比如d(A,P)=0.5,d(A,N)=0.51,这时候，很明显A,P,N之间的距离较小，为同一个人但是也满足了等式，为了防止这样的情况，在式子中加入一个超参数α:

在这里插入图片描述
我们可以设置超参数的数值为0.2、0.3…选择合适的值满足任务需求即可，这时候即使d(A,P)与d(A,N)很接近，也没关系。

总结：三元损失函数：

在损失函数中，取两项最大值，我们要尽可能的使前一项为0，或者小于0，这样得到的结果为0；如果前一项大于0，得到的损失函数值就会大于0.那么代价函数为：