摘要
卷积神经网络（CNNs）在计算机视觉任务中得到了广泛应用，例如人脸识别和验证，并因其能够捕捉到判别性的深层特征而取得了最先进的成果。传统上，CNNs 使用 softmax 作为监督信号来惩罚分类损失。为了进一步增强深层特征的判别能力，我们引入了一种联合监督信号——Git 损失，该方法结合了 softmax 和中心损失函数。我们的损失函数旨在最小化类内变化的同时最大化类间距离。这种对深层特征的最小化和最大化被认为是人脸识别任务的理想选择。我们在两个流行的人脸识别基准数据集上进行了实验，结果表明，所提出的损失函数能够在不同身份的深层人脸特征之间实现最大可分性，并在这两个主要的人脸识别基准数据集——LFW（Labeled Faces in the Wild）和 YTF（YouTube Faces）上达到了最先进的精度。然而，需要注意的是，Git 损失的主要目标是在不同身份的深层特征之间实现最大可分性。