摘要
近年来，利用深度卷积神经网络（DCNNs）进行人脸识别系统的性能有了显著提升。典型的人脸验证流程包括使用softmax损失函数训练一个深层网络进行主题分类，将倒数第二层的输出作为特征描述符，并根据一对人脸图像生成余弦相似度分数。然而，softmax损失函数并不能优化特征，使其在正样本对中具有更高的相似度分数而在负样本对中具有更低的相似度分数，这导致了性能差距。在本文中，我们在特征描述符上添加了一个L2约束，限制它们位于固定半径的超球面上。这一模块可以轻松地通过现有的深度学习框架实现。我们展示了在训练流程中集成这一简单步骤可以显著提高人脸验证的性能。具体而言，我们在具有挑战性的IJB-A数据集上达到了0.909的真实接受率（True Accept Rate），而错误接受率（False Accept Rate）仅为0.0001。此外，我们在LFW数据集上实现了99.78%的准确率，并在YTF数据集上取得了96.08%的准确率，达到了当前最佳水平。