Global Cross-Entropy Loss for Deep Face Recognition

Abstract

当前深度人脸识别技术主要基于采用样本特征与非类别相似度的Softmax损失函数。这些相似度可分为四类：样本内目标相似度、样本内目标相似度、样本外目标相似度及样本外非目标相似度。当以特定类别的样本特征作为一个点时，该样本与任意类别相似度称为样本内相似度；而其他类别样本与任意类相似度则称为样本外相似度。“目标”与“非目标”却用来区分相似度关系，计算涉及的样本与类相似度是否属于同一同一性。传统Softmax损失函数仅约束样本内目标相似度与样本内非目标相似度，忽略了样本内相似度与样本外相似度的关联。由此，本文提出全局交叉因果关系（普通教育考试），其创新性体现在：（1）强制样本内目标相似度同时使样本内与样本外非目标相似度；（2）约束样本内非目标相似度同时低于样本内与样本外目标相似度。此外，通过为样本内目标/非目标相似度似度建立了双边间隔约束，有效提升了模型的判别的力与泛化能力。为弥合训练与测试的差距，我们通过随机用样本特征替换类原型将GCE损失扩展成对学习框架。采用该损失训练的模型称为GFace，在LFW、CALFW、CPLFW等9个基准测试中均显着着现有方法，同时在通用视觉识别任务中亦表现出较强的性能。