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

  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：

Lang=1N∑i−log(exp(∥xi∥cos(mθyi,i))exp(∥xi∥cos(mθyi,i))+∑j≠yiexp(∥xi∥cos(θj,i))) L a n g = 1 N ∑ i − log ⁡ ( exp ⁡ ( ‖ x i ‖ cos ⁡ ( m θ y i , i ) ) exp ⁡ ( ‖ x i ‖ cos ⁡ ( m θ y i , i ) ) + ∑ j ≠ y i exp ⁡ ( ‖ x i ‖ cos ⁡ ( θ j , i ) ) )

  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。