PRECISE ADJACENT MARGIN LOSS FOR DEEP FACE RECOGNITION

深度人脸识别的精确相邻边缘损失

1、这篇论文要解决什么问题？要验证一个什么科学假设？

问题：首先，在以往的损失函数中提到的“边际”是Softmax 决策边界之间的边际，它不代表训练集中不同类别之间的真实的边际；其次，以往的损失函数对所有可能的类对组合施加了边界，这是不必要的。

验证PAM损失（精确邻接边际损失）比现有的基于边际的损失具有更好的几何解释。

2、这篇论文有哪些相关研究，这些研究是怎么分类的？有哪些研究员值得关注？

这篇论文对softmax、L- Softmax loss、A-Softmaxloss、AM-Softmax loss 和Arc- Face loss进行了研究。

3、论文中提到的解决方案是什么，关键点在哪儿？

在论文中提出了精确相邻边距损失(PAM loss)，它赋予“边距”一种含义，表示训练集中不同类之间的真实边距。与上面的损失不同，PAM损失只对有限数量的类对优化边际。

关键点如下:

1. 提出了PAM算法来提高深度特征的识别能力。PAM损失是第一个使用训练集中不同类之间的实际差值的损失。
2. 为了实现PAM，提出了一种学习算法来获取每个类的范围( 即类中心与类边缘之间的余弦相似度) 。

4、论文中的实验是如何设计的？各个实验分别得到了什么结论？

实验一：提供了在两个类别的情况下上述损失函数的2D可视化。

实验二：用Tensorflow实现了四种方案，通过结合使用不同的损失函数 :ResNet + Softmax, ResNet + AM-Softmax, ResNet + AM-Softmax + PAM loss v1,ResNet + AM-Softmax + PAM loss v2。为了方便，在实验结果中分别使用 “ Softmax” 、 “ AM-Softmax”、“PAM loss v1”和“PAM loss v2”来表示这四种方案。

所有实验都使用 VGGFace2作为训练集。为了保证实验结果的可靠性，删除了 VGGFace2中可能与基准测试集重叠的人脸图像。最终的训练集包含了来自 8000 多个身份的 305 万张面部图像。

对于实验中使用的所有人脸数据集，都使用MTCNN进行人脸检测。如果对一个训练图像检测MTCNN失败，就将该图像从训练集中去除。如果MTCNN在测试图像上失败，使用由官方提供的标记或边界框。由于学习率在早期不稳定，超参数 λ 在前 275 个时期被设置为0。之后，手动优化 λ，因为它对性能不是很敏感，所以只是在每个测试集中尝试多个不同的值，并选择导致最佳结果的值。

表 2显示了本文方法和最新研究方法在 LFW和YTF数据集上的结果，可以看出:在LFW上，PAM loss 的两个版本均优于相关方法Softmax、L-Softmax、A-Softmax 和 AM-Softmax。FaceNet具有与 PAM loss v1 相同的准确性。然而，FaceNet使用了2亿张图像进行训练，而PAM loss 只使用了305万张图像进行训练。与其他先进的方法相比，PAM损耗具有最高的验证精度。在 YTF 数据集上，PAM loss v1 的准确率为96.14%，高于其他所有方法。PAM loss v2 在准确性上与Marginal loss 相似，但Marginal loss 使用了更大的训练集，在 LFW上性能较差。在 LFW和YTF 数据集上的结果证明了该方法的有效性和最先进的性能。

实验三：对MegaFace 数据集和FaceScrub数据集进行实验。遵循 MegaFace Challenge 1 的实验协议，其中MegaFace设置为干扰集，FaceScrub设置为测试集。评估代码由MegaFace团队提供。

图 2 和图 3 分别为MegaFace Set 1上 100万干扰物时的CMC曲线和ROC 曲线。基准测试方法(包括Barebones FR、SIATMMLAB、Vocord 和 Faceall)的结果是由MegaFace 团队提供

的功能生成的。从图 2 和图 3 可以看出，PAM loss v1 和PAM loss v2 比Softmax、AM-Softmax 等基准方法具有更好的识别和验证性能。两幅图中 PAM损失 v2 都优于 PAM损失v1，说明 PAM损失 v2 在干扰量为 100 万的情况下具有更强的能力。MegaFace 和 FaceScrub 数据集的结果证实了所提方法的有效性。

5.用于定量评估的数据集是什么？代码开源的话找到链接

实验一：LFW、YTF

实验二：VGGFace2

实验三：MegaFace 和 FaceScrub 数据集

6、这篇论文到底有什么贡献？（三句话内说明）新在什么地方？

这篇论文提出了 PAM损失，它赋予了“边际”一种含义，表示训练集中不同类之间的真实边际。为了实现 PAM，还提出了一种学习算法来获取每个类的范围。在LFW、YTF、MegaFace和 FaceScrub数据集上进行了大量的实验。结果证明了所提方法的有效性，并证实了PAM性能的先进性。