基于联合损失和恒等映射的动态人脸识别

刘成攀, 吴 斌, 杨 壮

(1.西南科技大学 信息工程学院,四川 绵阳 621010；2.特殊环境机器人技术四川省重点实验室,四川 绵阳 621010)

0 引 言

视频动态人脸识别不需要识别对象配合,具有体验更好、准确率更高、响应速度更快、实时反馈等特点。但同时,由于它是非限定情况下的人脸识别,外界非可控的复杂干扰因素会造成人脸识别精准度急剧下降,不能适应实际条件下的任务需求。

近年来,涌现出许多基于深度学习的人脸识别方法,而损失函数是深度学习神经网络中的重要部分,对其的设计与优化也一直是研究热点。目前使用最为广泛的损失函数是SoftMax Loss,其表达简洁,没有其他超参数,最早在DeepID1中使用,而后在DeepFace等其他方法中也继续沿用。SoftMax Loss对提取的特征分别映射到区间内,根据所得的概率完成图像分类任务[1]。但在人脸识别任务,需要计算未知类别样本的相似度,此时仅仅保证已知类别分类正确是不够的。为了更好地泛化性能,还需要诸如类内样本差异小和类间样本差异大这样的良好性质,而这些并不是SoftMax Loss的直接优化目标。

鉴于SoftMax的局限性,有必要针对它进行优化约束类内距离,扩大类间距离。为了加强网络模型对特征的识别度,ECCV 2016上提出的中心损失(centre Loss)[2],在结合SoftMax损失和中心损失后,类内紧凑性显著增强,但是仅仅使用SoftMax损失作为类间约束是不够的,因为它只是鼓励特征的可分离性。因此,Deng J等人提出边际损失Marginal Loss与SoftMax Loss联合监督的方式[3]。

本文受SoftMax Loss,Center Loss以及Marginal Loss启发,提出了一种联合损失(Joint Loss)函数,并且在网络模型中加入恒等映射模块[4],实验表明算法更具有鲁棒性。……