支持向量引导的Softmax损失用于人脸识别

面部识别由于深度卷积神经网络（CNNs）的发展取得了显著进展，其中的核心挑战在于特征区分。为了解决这一问题，一个研究方向致力于利用基于挖掘的策略（例如，难例挖掘和焦点损失）来关注信息量较大的样本。另一个研究方向则专注于设计基于边距的损失函数（例如，角度边距、加性边距和加性角度边距）以从真实类别视角增加特征边距。这两种方法都已被验证能够学习到具有区分性的特征。然而，它们要么受到难例模糊性的影响，要么缺乏对其他类别的区分能力。在本文中，我们设计了一种新的损失函数，即支持向量引导的softmax损失（SV-Softmax），该损失函数能够自适应地强调误分类点（支持向量），从而指导区分性特征的学习。因此，所提出的SV-Softmax损失不仅能够消除难例的模糊性，还能吸收其他类别的区分能力，从而生成更具区分性的特征。据我们所知，这是首次尝试将基于挖掘和基于边距的损失的优点整合到同一框架中。在多个基准数据集上的实验结果表明，我们的方法在现有最先进方法上具有有效性。