重温ArcFace

一、概述

接触过人脸识别的应该没有谁不知道这篇文章的。文章设计了一种新的Loss方式，提高人脸识别的准确度。

Snipaste_2020-05-12_15-26-45.jpg

二、Loss介绍

Snipaste_2020-05-12_16-52-38.jpg

这个Loss中N表示的是样本数，也就是每次迭代训练的时候输入图片的总数，就等于当个GPU训练时候的BatchSize大小。S是一个常量，论文中提到设置该值的大小为64。设置这个常量的原因是因为尺度归一化之后w*x的值得范围[-1,1]，值太小了，反向求导的时候没办法收敛。具体的解释可以参考NormFace。m就是margin了。那么这个Loss为什么可以work呢？要想loss变小，那就只能log值增大。log值增大的前提是

image.png

变大，根据余弦函数性质就需要角度要变小，加了margin之后角度还要更小。这样就可以让特征更加的紧凑。特征紧凑了同一个人的不同人脸之间的角度就近了，相似度就高了。不同人的人脸之间的角度就远了，相似度也就低了。

三、总结

论文中做了很多的实验和对比，得出的结论就是仅仅使用arcface就可以取得很不错的效果。个人觉得人脸识别这块还是数据第一、网络结构第二、Loss第三。