Open IkokObi opened 5 years ago
通常のsoftmax loss
softmax層の直前の重みwと入力xを正規化することで,cosにする
正例のクラスにのみ,角度にマージンを加える
学習の流れの全体像
toy dataの結果がとても分かりやすく綺麗
SphereFace, CosFace, ArcFaceをまとめて次のように表すことが出来る
最終層に渡す特徴量はResNet50とResNet100を用いた
学習過程において正例クラスの角度分布は,減少するが30-40度付近に収束するらしい(左図)
データセット概要
下の図において,
MS1MV2については,人種的に近い人々にannotationをお願いして一部データを再annotation
YTFとiQIYI-VIDはビデオデータ
ざっくり言うと
キーワード
1. 情報
論文リンク
https://arxiv.org/abs/1801.07698
著者
Jiankang Deng, Jia Guo, Niannan Xue, Stefanos Zafeiriou
投稿日付
2018/1/23
2. 先行研究と比べてどこがすごい?
3. 技術や手法のキモはどこ?
x^Tw
のような内積ではなく,cos theta = x^T w/|x||w|
というようなコサイン距離を計算し,正しい分類先のコサインの角度theta
に対してmarginをtheta + m
とうような形で入れる4. どうやって有効だと検証した?
5. 議論はある?
6. 次に読むべき論文は?
FaceNet: A Unified Embedding for Face Recognition and Clustering
CosFace: Large Margin Cosine Loss for Deep Face Recognition
SphereFace: Deep Hypersphere Embedding for Face Recognition