遮挡人脸识别项目总结

多目标联合路线

基本结构

ArcFace主干网络 + Unet语义分割网络，分类+分割多目标联合训练。

ArcFace主干网络基本Block结构

block有效性的可能理论依据 ：Identity Mappings in Deep Residual Networks（译）

Unet upConv结构

从运算速度的角度考虑，采用Unpooling+Conv的方式实现Deconv的功能，而没有直接使用Deconv。

ArcFace损失的几何特性

SCPNet路线

SCPNet原网络示意图

用在人脸识别上的改进

1. spatial feature 使用有交叠的特征图的左上，右上，左下，右下。
2. Spatial GAP之前对通过aggregation map对特征进行筛选，突出更重要的细粒度特征。
3. 计算SCPLoss时，将MSELoss替换为CosineEmbeddingLoss。
4. 人脸识别项目中没有使用tripletLoss。

TripletLoss

计算公式

$L={\sum }_i^N[||f(x_i^a)-f(x_i^p)|{|}_2^2-||f(x_i^a)-f(x_i^n)|{|}_2^2+\alpha {]}_{+}$
其中$[.{]}_{+}$表示中括号中的值大于0时取原值，否则取0。

梯度反传

更多详情与代码

Triplet-Loss原理及其实现、应用