SFace：用于鲁棒人脸识别的Sigmoid约束超球面损失函数

深度人脸识别由于大规模训练数据库和快速发展的损失函数取得了巨大成功。现有的算法致力于实现一个理想的目标：最小化类内距离并最大化类间距离。然而，它们可能忽略了训练数据库中也存在低质量的图像，这些图像不应以如此严格的方式进行优化。鉴于训练数据库的不完善，我们提出类内和类间目标可以适度优化以缓解过拟合问题，并进一步提出了一种新的损失函数，称为Sigmoid约束超球面损失（SFace）。具体而言，SFace在超球面流形上施加了类内和类间约束，这些约束分别由两个Sigmoid梯度重缩放函数控制。Sigmoid曲线精确地重新调整了类内和类间的梯度，使得训练样本能够在一定程度上得到优化。因此，SFace能够在减少干净样本的类内距离和防止对标签噪声过拟合之间取得更好的平衡，并有助于构建更加鲁棒的深度人脸识别模型。通过在CASIA-WebFace、VGGFace2和MS-Celeb-1M数据库上训练模型，并在LFW、MegaFace和IJB-C等几个面部识别基准数据集上进行评估的大量实验表明，SFace具有显著的优势。