【人臉識別】A Discriminative Feature Learning Approach for Deep Face Recognition
一、理解
1、核心思想
2、論文效果
3、總結
二、原文翻譯
1、abstract
卷積神經網路目前廣泛應用於計算機視覺領域,明顯地提高了state-of-the-art。在大多數可用的CNNs中,softmax損失函式被用作監督訊號以訓練深度模型。為了提高深度學習特徵的判別能力,這篇論文為人臉識別任務提出一個新的監督訊號,成為center loss。特別的,center loss同時學習每個類的深度特徵,懲罰深度特徵與其類中心之間的距離。更重要的是,我們驗證了提出的center loss 函式在CNNs中是可訓練的,並且容易優化的。在同時使用softmax loss和center loss,我們訓練了魯棒的CNNs來獲得兩個關鍵學習目標的深度特徵,類間離散度和類內緊密度,這對人臉識別來說非常關鍵。這使得我們的CNNs(同時使用softmax loss和 center loss)在幾個比較重要的人臉識別基準上,包括Labeled Faces in the Wild (LFW), YouTube Faces(YTF), and MegaFace Challenge,實現了state-of-the-art準確率。特別的,我們的新方法在MegaFace (the largest public domain face benchmark),根據小訓練集協議(包含了50萬影象,2萬個人),實現了最好的結果,明顯比先前的結果提高很多,在人臉識別和人臉驗證任務上都實現了新的state-of-the-art結果。
2、introduction
常見的使用CNNs進行特徵學習和標籤預測,如下圖所示,將輸入資料對映到深度特徵(最後一層隱藏層的輸出),然後預測標籤。
在通用的目標、場景、動作識別中,可能的測試樣本類別也在訓練集中,這稱為close-set identification,因此預測標籤可以表明效能,softmax loss可以直接解決分類問題。通過這種方式,標籤預測(最後的全連線層)更像一個線性分類器,並且學習的深度特徵更容易分離。
對於人臉識別任務,學習到的深度特徵不僅是可分離的,還需要是可判別的。但是,由於對於預先收集所有可能的測試身份來訓練是不切實際的,所以標籤預測在CNNs中並不總是可行的。學習的深度特徵必須是有區別性的,並且足以泛化,不通過標籤預測,可以識別新的未見過的類別。