摘要

得益于深度卷积神经网络（CNNs）的发展，人脸识别取得了非凡的进展。人脸识别的核心任务包括人脸验证和识别，涉及人脸特征的区分。然而，传统的深度CNNs的softmax损失通常缺乏足够的区分能力。为了解决这一问题，最近提出了几种损失函数，如中心损失、大边缘softmax损失和角度softmax损失。所有这些改进的损失函数都基于同一个理念：最大化类间方差并最小化类内方差。在本文中，我们提出了一种新的损失函数——大边缘余弦损失（Large Margin Cosine Loss, LMCL），从不同的角度实现这一理念。具体而言，我们通过$L_2$归一化特征和权重向量来消除径向变化，从而将softmax损失重新表述为余弦损失，在此基础上引入了一个余弦边缘项以进一步在角度空间中最大化决策边缘。因此，通过归一化和余弦决策边缘的最大化，实现了最小的类内方差和最大的类间方差。我们将使用LMCL训练的模型称为CosFace。我们在最流行的公共人脸识别数据集上进行了广泛的实验评估，如MegaFace挑战赛、YouTube Faces（YTF）和Labeled Faces in the Wild（LFW）。我们在这些基准测试中达到了最先进的性能，这证实了我们所提出方法的有效性。