ArcFace

0. 前言

• paper: CVPR2019_ArcFace: Additive Angular Margin Loss for Deep Face Recognition
• code: MXNet, pytorch, pytorch, tensorflow
• author: 邓健康

开源代码中称之为 insightface，思路简单，效果却很好，并且与其他变种做了详尽的对比。(这篇论文原名是ArcFace，但是由于与虹软重名，后改名为Insight Face)

帝国理工学院博士生，CVPR17, 18, 19 都有他的文章，牛逼。

此外，他们在ICCV 2019 举办了 Lightweight Face Recognition Challenge Workshop(LFR19) ，LFR19 是第一个强调“轻量级推理” 和“可重现系统” 的人脸识别比赛。竞赛于 4 月 25 日~7 月 10 日进行，比赛结果将于 10 月 28 日在韩国首尔举办的 ICCV 2019 会议上进行公布，欢迎前往比赛主页了解详细规则.

1. Introduction

腾讯AI lab CVPR paper把玩：cosFace、ArcFace—additive margin softmax

深度学习界从开始到现在，所有的论文基本就干了两件事情，一、发现一个牛逼的网络结构，提高了网络的表达能力；二、发现了一个好玩的损失函数，提升了模型的鲁棒性和精度。人脸识别的优化方向就两个，一是不断增大不同人之间的距离，二是不断降低一个人不同人脸照片之间的距离。 center loss 和 tripleloss都是干这个事情。但他们损失函数的根基还是softmax的交叉熵.

• 主流: the softmax-loss-based methods and the triplet-loss-based methods
• softmax: angular margin penalty: Sphereface, CosFace, ArcFace

2. Proposed Approach

2.1 ArcFace

$$L_1=-\frac{1}{N} \sum_{i=1}^N \log \frac{e^{W_{y_i}^T x_i+b_{y_i}}}{\sum_{j=1}^n e^{W_j^T x_i+b_j}}$$

令 $b_j=0, \parallel W_j \parallel=1, \parallel x_i \parallel=s, W_j^T x_i=s \cos \theta_j$

$$L_2=-\frac{1}{N} \sum_{i=1}^N \log \frac{e^{s \cos \theta_{y_i}}}{e^{s \cos \theta_{y_i}}+\sum_{j=1,j\not =y_i}^n e^{s \cos \theta_j}}$$

angular margin penalty:

$$L_3=-\frac{1}{N} \sum_{i=1}^N \log \frac{e^{s \cos (\theta_{y_i}+m)}}{e^{s \cos (\theta_{y_i}+m)}+\sum_{j=1,j\not =y_i}^n e^{s \cos \theta_j}}$$

2.2 Comparison with SphereFace and CosFace

• SphereFace: multiplicative angular margin $m_1$
• ArcFace: additive angular margin $m_2$
• CosFace: additive cosine margin $m_3$

补充：按照作者的说法，ArcFace 相当于融合了 softmax 和 triplet，形成了 image-to-class 的 margin 损失，softmax 是 image-to-class 损失， triplet 是 image-to-image 的 margin 损失。

各种实验结果也证明了这个损失很强。

补充：作者在直播中还提到了 RetinaFace Face Detector，他也参加了一些比赛，结果也说明了他们提出的整体框架效果很好。

自己标了1w多张人脸的五点图，大佬大佬。