判别特征的学习方法用于人脸识别（文末源码）

---

最近因为比较繁忙，没有及时在“计算机视觉战队”平台更新，在此向所有关注的同学说一声抱歉！希望这段日子大家依然科研顺利，生活愉快，嘿嘿！

今天我来给大家讲讲人脸识别的一些小事，希望您能有些收获，谢谢！

主要内容

卷积神经网络（CNN）已广泛地用于计算机视觉领域，显著地提高了先进的方法。在大多数的CNNs中，Softmax损失函数被作为监督信号去训练深度模型。

为了增强深度学习特征的判别力，提出一种新的监督信号，称为中心损失，用于人脸识别任务。中心损失同时学习每一类深度特征的中心，并惩罚深度特征和它们相对应类别中心之间的距离。更重要的是，证明了提出的中心损失函数是可以训练的且非常容易在CNNs中优化。

Softmax损失和中心损失的联合监督，可以训练一个鲁棒的CNNs去获得两个关键学习目标的深度特征，尽可能的使类间分散和类内紧凑，在人脸识别中是非常必要的。提出的CNNs（联合监督）在一些重要的人脸基准数据集中（LFW，YTF和MegaFace）都可以获得很好的结果。

贡 献

• 提出一个中心损失函数去最小化同类深度特征之间的距离。这也是第一次尝试去使用这样一个损失函数去协助CNNs的监督学习，在联合监督下，高判别力的特征被获得去鲁棒的识别人脸；

• 证明了提出的损失函数在CNNs中很容易去实现，本文的CNN直接通过标准的SGD优化；

• 做了广泛的实验，在基准数据集LFW，YTF和MegaFace上进行实验（其中MegaFace是最大的公共领域人脸数据库，有100万人脸去识别）。

主要方法

卷积神经网络的典型框架

在通常的目标，场景或行为识别中，测试样本可能的类别是在训练集内的，这也被称为闭集识别（close-set identification）。因此，Softmax损失可以直接解决分类问题。以这种方式，标签预测（最后全连接层）像一个线性分类器，并且深度学习的特征很容易被分离。

但是对于人脸识别任务，深度学习特征不仅需要可分离还需要判别性。因为它是不切实际的预收集所有可能的测试身份去训练，在CNN中的标签预测并不总是适用。深度学习特征被要求具有判别性，并且在没有标签预测情况下足够识别新的没有出现的类别。判别特征可以通过近邻（NN）或K最近邻（K-NN）算法很好的分类，其不需依赖标签预测。然而，Softmax损失只支持特征的分离，由此产生的特征是不够有效地人脸识别。

新技术就提出一个新的损失函数，称为中心损失，有效地增强了深度学习特征的判别力。它学习每类深度特征的一个中心，在训练过程中，同时更新中心和最小化深度特征和相对应类别中心的距离。直观地，Softmax损失使不同类别特征保持分离，中心损失有效地将同一类的深度特征拉到它们的中心。联合监督，不仅类间特征的差异增大，而且类内特征的变化减少。

实  验

深度特征分布，（a）是训练集，（b）是测试集

从上图中可以观察到：（1）在softmax损失的监督下，深度学习特征可分离；（2）深度特征判别性不够，由于它们仍然表现出显著的类内变化。

因此不适用直接使用这些特征去识别。

中心损失

如何建立有效的损失函数提高深度学习特征的辨别力？最小化类内变化，同时保持不同类别的特征分离是关键。所以提出中心损失函数，如下：

为了解决这个问题，本文做了两个必要的修改。第一，基于mini-batch更新中心，在每次迭代中，通过平均相对应类别的特征去计算中心，这样有些中心就不必更新；第二，为了避免一些贴错标签样本的扰动，使用了一个标量a去控制中心的学习率。

其中如果condition满足则：

反之

a被限制在[0,1]，采用联合监督去训练CNNs用于判别特征学习。公式如下：

公式可以通过标准的SGD优化，λ是为了平衡两个损失函数。

之后，还进行了实验来说明λ的影响分布。图3显示了不同的λ导致不同的深度特征分布。适当的λ，深度特征的分类能力得到显著增强。

讨  论

1) 联合监督的必要性

如果只使用Softmax损失作为监控信号，导致深度学习特征将包含大的类内变化。简单的使用其中任何一个不能实现判别性特征学习，因此有必要将它们结合起来，共同监督CNNs，也通过实验证实。

2) 对比损失与三重损失的比较

最近，对比损失和三重损失也提出了去增强深度学习人脸特征的分类能力。然而，对比损失和三重损失遭受数据扩增，从训练集构成样本对或三重样本。新技术的中心损失不需要复杂的重组样本。

因此，学习新技术的CNNs是更有效和易于实施。此外，新技术的损失函数的目标更直接的去学习类内紧凑的目标，这是非常有益于判别性特征学习。

实验结果

LFW和YTF数据集上的结果

不同方法的识别率在MegaFace数据集

总  结

新技术提出一种新的损失函数，称为中心损失。通过结合中心损失和Softmax损失去联合监督CNNs的学习，深度学习特征的判别力可以被很大的增强用于鲁棒的人脸识别。大量的实验在一些大规模的人脸基准进行，并证明了所提方法的有效性。

---

文章最后的提取密码：a0w2

如果想加入我们“计算机视觉战队”，请扫二维码加入学习群。计算机视觉战队主要涉及机器学习、深度学习等领域，由来自于各校的硕博研究生组成的团队，主要致力于人脸检测、人脸识别，多目标检测、目标跟踪、图像分割等研究方向。