人脸识别之度量学习

人脸识别的研究集中在三个方面：数据集、度量学习、基础网络结构，本文主要介绍其中的度量学习。

由于人脸识别存在测试集（open dataset）的类别不在训练集中的问题，使得较新的人脸识别方法的核心在于度量学习（loss的定义），使得未知类的特征之间可以较好地分开。

这个度量学习其实就是修改softmax的定义。到目前为止主要有以下几种loss：

0、contrastive loss (DeepID2)

1、center loss
在softmax的基础上加入关于feature vector的L2度量，使得类内高度聚合。

2、triplet loss (FaceNet)

上式中d(a,p)是anchor样本和正(positive)样本之间的欧式距离，d(a,n)是anchor样本和负(negative)样本之间的距离。当d(a,n)-d(a,p)>margin时，loss为0；否则loss大于0。
triplet loss和contrastive loss比较相似，区别在于triplet loss计算三元组的loss，而contrastive loss计算二元组的loss。

3、A-softmax (SphereFace)
A-softmax是SphereFace中设计的loss。主要是两个操作：
1)归一化前一个FC层的每一列权重，以减弱样本不平衡带来的影响；
2)将判决平面从cos(theta0)>cos(theta1)变为cos(n*theta0)>cos(theta1)，文章中n取4。
缺点：由于2)中的判决平面过于严苛，使得训练不容易收敛。

4、cosFace / AM-softmax
由于在实际使用是在cos域，cos(theta0) > cos(theta1)+a，a为0.35。

5、arcFace
cos(theta0+m)>cos(theta1)，m=0.5。

参考：
https://zhuanlan.zhihu.com/p/34404607
https://zhuanlan.zhihu.com/p/34436551