浅谈人脸识别中的loss 损失函数
2019-04-17 17:57:33 liguiyuan112 阅读数 641更多
版权声明：本文为博主原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u012505617/article/details/89355690
在人脸识别中，算法的提高主要体现在损失函数的设计上，损失函数会对整个网络的优化有着导向性的作用。我们看到许多常用的损失函数，从传统的softmax loss到cosface, arcface 都有这一定的提高，这篇文章自己就来整理下这几个算法。
无论是SphereFace、CosineFace还是ArcFace的损失函数，都是基于Softmax loss来进行修改的。
| Base line | Softmax loss |
| 各种延伸的算法 | Triplet loss, center loss |
| 最新算法 | A-Softmax Loss(SphereFace), Cosine Margin Loss, Angular Margin Loss, Arcface |
1. Softmax loss
这就是softmax loss函数，
表示全连接层的输出。在计算Loss下降的过程中，我们让 的比重变大，从而使得log() 括号内的数更变大来更接近1，就会 log(1) = 0，整个loss就会下降。
这种方式只考虑了能否正确分类，却没有考虑类间距离。所以提出了center loss 损失函数。(paper)
2. Center loss
center loss 考虑到不仅仅是分类要对，而且要求类间有一定的距离。上面的公式中
表示某一类的中心，
表示每个人脸的特征值。作者在softmax loss的基础上加入了
，同时使用参数
来控制类内距离，整体的损失函数如下：
3. Triplet Loss
三元组损失函数，三元组由Anchor， Negative， Positive这三个组成。从上图可以看到，一开始Anchor离Positive比较远，我们想让Anchor和Positive尽量的靠近（同类距离），Anchor和Negative尽量的远离（类间距离）。
表达式左边为同类距离 ，右边为不同的类之间的距离。使用梯度下降法优化的过程就是让类内距离不断下降，类间距离不断提升，这样损失函数才能不断地缩小。
上面的几个算法都是比较传统老旧的，下面说一下比较新的算法。
4. L-softmax
前面Softmax loss函数没有考虑类间距离，Center loss函数可以使类内变得紧凑，但没有类间可分，而Triplet loss函数比较耗时，就产生了一下新的算法。
L-softmax函数开始就做了比较精细的改动，从softmax 函数log里面的
转化到
。L-softmax函数不仅希望类间距离拉的更大，还能够把类内距离压缩的更紧凑。
把其中的cosθ改成了cos(mθ)，
m倍θ起到了增加 margin 的效果，让类内距离更加紧凑，同时类间距离变大。m越大类间距离就越大，因为在(0, π)区间cos函数单调递减，m越大 cos(mθ)趋向于0。
5. SphereFace(A-Softmax)
A-softmax 是在 L-softmax 函数上做了一个很小的修改，A-softmax 在考虑 margin时添加两个限制条件：将权重W归一化 
，b = 0。这使得模型的预测仅取决于 W 和 X 之间的角度。
6. CosFace
cosface的loss函数如下：
上式中，s为超球面的半径，m为margin。
7. ArcFace
对比arcface和cosface这两个函数，发现arcface是直接在角度空间中最大化分类界限，而cosface是在余弦空间中最大化分类界限，这样修改是因为角度距离比余弦距离在对角度的影响更加直接。
分类的决策边界如下：
arcface算法流程如下：
原文地址：https://www.cnblogs.com/think90/p/11619347.html