CurricularFace：面向深度人脸识别的自适应课程学习损失

作为人脸识别领域的一个新兴研究方向，基于边距的损失函数设计可通过增大不同类别间特征的边距来提升特征的区分能力。近年来，基于挖掘策略的方法被引入，通过重点关注分类错误的样本，取得了令人瞩目的效果。然而，在整个训练过程中，现有方法要么未显式根据样本的重要性进行强调，导致难样本未能得到充分挖掘；要么在训练初期即过度强调半难样本或难样本的影响，可能引发模型收敛困难的问题。针对上述问题，本文提出一种新型自适应课程学习损失函数——CurricularFace，将课程学习的思想融入损失函数设计中，形成一种面向深度人脸识别的新训练策略：在训练初期重点处理简单样本，后期逐步转向难样本。具体而言，CurricularFace能够根据训练阶段动态调整简单样本与难样本的相对重要性，在每个阶段依据样本的难易程度为其分配不同的权重。在多个主流基准数据集上的大量实验结果表明，所提出的CurricularFace在性能上显著优于当前最先进的方法。