cosface: large margin cosine loss for deep face recognition

Wang H, Wang Y, Zhou Z, et al. CosFace: Large Margin Cosine Loss for Deep Face Recognition[C]. computer vision and pattern recognition, 2018: 5265-5274.

@article{wang2018cosface:,
title={CosFace: Large Margin Cosine Loss for Deep Face Recognition},
author={Wang, Hao and Wang, Yitong and Zhou, Zheng and Ji, Xing and Gong, Dihong and Zhou, Jingchao and Li, Zhifeng and Liu, Wei},
pages={5265--5274},
year={2018}}

概

本文从angular margin角度提出了对交叉熵损失的一个改进.

主要内容

一般的softmax交叉熵损失为
$L_s = \frac{1}{N}\sum_{i=1}^N -\log \frac{e^{f_{y_i}}}{\sum_{j=1}^C e^{f_{y_j}}},$
其中
$f_j = W^T_jx=\|W_j\| \|x\| \cos \theta_j,$

固定 $\|W_j\|=1, \|x\|=s$ , 则
$L_{ns} = \frac{1}{N} \sum_i -\log \frac{e^{s\cos(\theta_{y_i},i)}}{\sum_j e^{s \cos(\theta_{y_j}, i)}}$
只与角度angular margin有关, 所以实际上, 一个类别属于 $i$ 就是当
$\cos \theta_i > \cos \theta_j, \forall j\not = i,$
为了给其增加一些难度, 我们可以
$\cos \theta_i - m > \cos \theta_j, \forall j\not = i,$
即我们在 $\cos \theta_i > \cos \theta_j$ 的基础上, 进一步要求其angular margin进一步提高, 这就是large angular margin的思想.

于是本文的损失为:

在这里插入图片描述

©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成，浏览时请结合常识与多方信息审慎甄别。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

cosface: large margin cosine loss for deep face recognition

cosface: large margin cosine loss for deep face recognition

概

主要内容

相关阅读更多精彩内容

友情链接更多精彩内容