论文阅读笔记：ArcFace: Additive Angular Margin Loss for Deep Face Recognition
论文阅读笔记：ArcFace: Additive Angular Margin Loss for Deep Face Recognition
Tags：Deep_Learning_基础论文
本文主要包含如下内容：
论文地址
代码地址
参考博客
- 论文阅读笔记：ArcFace: Additive Angular Margin Loss for Deep Face Recognition
- 主要思想
- 算法原理
- 实验结果
- 总结
- 代码实现
本篇论文来自伦敦大学帝国理工学院Imperial College London，2018年CVPR，论文参考AmSoftmax进行优化，提出了ArcFace/Insight Face。
主要思想
论文从三个方面讲解了ArcFace/Insight Face，即从训练数据集的大小与精准程度、网络结构与设置、损失函数的设置三个方面进一步让同一个人的特征距离更小，不同个体的特征特征距离更大。
算法原理
这里，我们主要研读损失，如果关心网络结构，可以自行阅读论文。
论文推导了ArcFace/Insight Face。首先，偏置为0，权重归一化，得到SphereFace的A-Softmax：
接下来，根据特征归一化，得到NormFace，以及AM-Softmax：
最后，考虑到角度距离比余弦距离对角度的影响更加直接，于是得到ArcFace/Insight Face：
实验结果
截止当前（2018年3月），是MegaFace榜第一，达到了98.36%的成绩，但是因为作者对动了MegaFace中的数据，将FaceScrub与MegaFace1M干扰项中重叠的部分去除了，（这也就是表中R的含义），因此不能体现该算法对其他算法有绝对的优势。
总结
ArcFace/Insight Face采用了直观的角度度量方式。改进不太明显。
代码实现
可以参考github代码，实现是MxNet，因此我们这里不详细阅读。
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！