NormFace is a L2 HypersphereEmbedding for face verification.

https://dl.acm.org/doi/10.1145/3123266.3123359

摘要

由于卷积神经网络的发展推动了人脸验证技术的进步，在传统的人脸验证方法中，默认采用特征归一化作为提升性能的关键步骤。这一发现促使我们在训练过程中引入并深入研究了归一化的实际效果。然而我们发现这一过程并非完全可预期，在经过数学推导后我们识别出与归一化相关的四个关键问题值得深入探讨。在此基础上我们提出两种基于归一化特征的训练策略：第一种是对softmax损失函数进行了优化性态的研究而非直接优化内积计算；第二种则是通过引入类代理向量重新定义度量学习的目标函数。实验结果表明，在基于两个主流模型（LFW）的数据集上应用这两种策略及其变体均能带来约0.2%至0.4%的性能提升效果这一发现对于当前模型在LFW数据集上的接近饱和状态（均超过98%）具有重要意义

1 引言

近年来，在计算机视觉领域的卷积神经网络（CNNs）已展现出卓越的性能。例如，在物体识别方面有研究者引用了[12,29,32]等文献；在目标检测领域则主要参考了[5]；而图像分割方向则以[19]为主。在人脸验证领域中，基于CNN的方法已显示出超越人类能力的表现。该方法的主要流程包括以下几点：首先是人脸检测技术的应用；其次是定位关键的人脸特征点；接着是对齐这些特征点以便于后续处理；随后提取特征向量并对其进行比较