Motivation

现存人脸识别的算法存在如下的3方面的问题：

1. 在学习discriminative-feature的过程中忽略了sample的importance[easy/hard]；
2. feature的discriminative能力只是通过挤压sample与gt_class来提升，而忽略了sample与其它class的margin-distance；
3. 现有的算法(sphereface、cosface、arcface等)假设不同类的margin-parameter相同，这根实际情况可能不符；

本文提出了的Mis-classified Vector Guided Softmax Loss，它可以在一定程度上缓解上述问题。

                                                  

Homepage/Code

• Homepage  |  Github

Details

• Modified Softmax

                                                                 

• Mining-based Softmax

                              ,

• Margin-based Softmax

                                                                           

       Note: SphereFace, CosFace, ArcFace都属于margin-based softmax.               

• Naive Mining-Margin Softmax

                                                          

• Mis-classified Vector Guided Softmax

                                                  

       MV-Softmax的insight跃然纸上，它加了sample-importance h(t, θ_wk_x, I_k).具体来看它的内涵：

1. Fixed weight :   ;
2. Adaptive weight :   ；

     其中，I_k表示指示因子:

                                                           

当f(m, θ_y_x) >= f(m, θ_k_x)时，它取值为0，此时 h(t, θ_wk_x, I_k) = 1意味着这样的sample属于easy-case，不用给予它更多的重视； 当f(m, θ_y_x) < f(m, θ_k_x)时，它取值为1，此时h(t, θ_wk_x, I_k) > 1, 意味着这样的sample属于semi-hard/hard-case，模型会给予它更多的关注.

Experiment

• Benchmark

  

• Challenge

         

Reference

[1]. Mis-classified Vector Guided Softmax Loss for Face Recognition[2020-AAAI]