团队夺得megaface百万人脸识别冠军

1、中国团队夺得 MegaFace 百万人脸识别冠军。98%中国团队夺得 MegaFace 百万人脸识别冠军。98%专作者nsight 洞【 导读LFW 中，很多团队都取得了接近乃至超过 99.80% 的成绩。但是在大规模人脸识别中， 依然存在。例如MegaFaceLFW 上表现良好的模型也常常只能达到 60% 多的精度。De nsight 洞见 团队刷新了这一 的 ， 将 MegaFace 的精度 到 98%，超过俄罗斯 Vocord 公司保持的 91% 的LFW 很多团队都取得了接近乃至超过 2017 中都可以看到，由于 LFW 尽管 LFW 是一个 1 比 1 脸识别问题基本已经LFW 很多

2、团队都取得了接近乃至超过 2017 中都可以看到，由于 LFW 尽管 LFW 是一个 1 比 1 脸识别问题基本已经得到解决然而在大规模人脸识别依然存MegaFace 1 N 比对测试，即便在 多的精度。2018 年 2 系列努力，到了98%，超过俄罗斯的精公司保91% 同。1提出了一种具有更好几何解释性的 loss function上3.1 网络输入设所有的实验当中，都根据人脸的 5 个关键点进行对齐，并且切割设置112x112大小是 ImageNet 3.1 网络输入设所有的实验当中，都根据人脸的 5 个关键点进行对齐，并且切割设置112x112大小是 ImageNet 输入的 L3.2

3、网络输出设到特征向量的方法，发现了最优的结构代号 E，即 (Convolution - BN -Dropout - FullyConnected - 的选择和实验结果可以参考原文 13.3ResNet 单元设在 ResNet 中，发现 的单元相比原始实现6和 7unit 性能更好，标记为-IR1Improvedit:BN-Conv-BN-PReLu-Conv-3.4 评在 下结果数据集上用 Softmax 1Improvedit:BN-Conv-BN-PReLu-Conv-3.4 评在 下结果数据集上用 Softmax 1: Accuracy (%)，speed (ms) and differ

4、entbackbonessize (MB) comparison n据此选择LResNet100E-IR 作Loss4.1Softmax，其定义如下Softmax 是最常见的人脸识别损失函数，然而，Softmax 不会显式的优类间和类内距离的，所以通常不会有太好的性能4.2TripletTripletLoss MetricLearning，也在人脸识别中广泛使用。定义为Softmax不受显存的限制。但是相应的，4.2TripletTripletLoss MetricLearning，也在人脸识别中广泛使用。定义为Softmax不受显存的限制。但是相应的，4.3由于TripeletLoss 训，

5、人们逐渐寻求结合MetricSoftmax SphereFace2 17 的法，在当时达到了 在具体实现中，为了避免加入的 margin(即 m) 参 ，和 Softmax margin 具体是什么? marginSoftmax bias=0WX 表示 W 和 的夹角，归一化 W 后X，| X | 是确定的，所以这时 Softmax 优化的其实就是 cos 是Softmax 者就想到了夹角上加入一个 margin 可以达到这个目的，如下图2: 可以看到在这样做之后，即使是类间距离最近的点也有一定的 margin会向着自己的 wvector 4.4Additive2: 可以看到在这样做之后，即使

6、是类间距离最近的点也有一定的 margin会向着自己的 wvector 4.4AdditiveCosine最近，在 3，4 中，作者提出了一种在 Cosine 值上加入 Margin 定义如下2 Softmax 。4.5AdditiveAngular1 提出了在角度上增加固定值的MarginCosine 的基础上，更具有几何 (角度) 解释性并且获得了更好的性能下这里同时 normalize 了 weight(到 1) 和 feature(到 s，默认 64)，则(CosineMargin 也同理3ArcFace 4.6 对3ArcFace 4.6 对以二元分类举例，以上各算法的 bounda

7、ry 如下2: boundariesforclass1underbinaryclassificationMargin 下目标 的值4.7.1 验证首先，对4.7.1 验证首先，对 3 个 1 比 1 比对的验证集进试，网络结构为LResNet100EIRRefined-MS1M表 4.7.2MegaFace 百万人脸测对 MegaFace表 4.7.2MegaFace 百万人脸测对 MegaFace (标记 这样获得的性能才是模型本来的性能，也移除了噪音带来的随机性。参考SphereFace 和 ArcFace(m=0.4) 在移除噪音前后的性能对比。真实性能ArcFace(m=0.4) Sp

8、hereFace表 在上面的实验基础上，做了更严格的实验：移除所有训练集合中和crub) 表 可以看到移除和 probe-set 也可以看到 CosineFace 开源库 InsightFace0 提供了 ArcFace 在其他一系列 Loss 的第实现，并支持一键训练。利用项目中提供Refined-MS1M 训练数据集5.1 表 可以看到移除和 probe-set 也可以看到 CosineFace 开源库 InsightFace0 提供了 ArcFace 在其他一系列 Loss 的第实现，并支持一键训练。利用项目中提供Refined-MS1M 训练数据集5.1 Linux 下两行命令即可完成

9、安装pipinstallsixscipyscikitlearnscikitimageeasydictgit5.2 一行命令即可获得最佳的模型= 0 ,1 ,2 ,3 u train_softmax . py r100lprefix(简单版1AdditiveAngularMarginLossforDeepFaceRecognition:JiaGuo*andStefanosang2 SphereFace: Deep Hypersphere Embedding for Face Recognition: andand，CosFace: Large Margin Cosine Loss for Dee

10、p Face Recognition: Wang， ，CosFace: Large Margin Cosine Loss for Deep Face Recognition: Wang， WangYitongZhouZhengJiXingLiZhifengDihong and Zhou，Jingchao and Liu，WeiAdditive Margin Softmax for Face Veri cation: Wang，Feng and Liu， Wei and Liu，Haijun and Cheng，JianDeep pyramidal residual networks: HyoonandKim，Ji-whanand Deep Residual Learning f