中心损失与Softmax损失联合监督下的人脸识别

摘要：

深度学习在人脸识别领域已经取得了巨大的成就,针对当前大多数卷积神经网络采用Softmax损失函数进行特征分类,增加新的类别样本会减小类间距离的增长趋势,影响网络对特征判别的问题,采用了一种基于中心损失与Softmax损失联合监督的人脸识别算法,来提高网络对特征的识别能力.在Softmax基础上,首先,分别对训练集每个类别在特征空间维护一个类中心,训练过程新增加样本时,网络会约束样本的分类中心距离,从而兼顾了类内聚合与类间分离.其次,引入动量概念,在分类中心更新的时候,通过保留之前的更新方向,同时利用当前批次的梯度微调最终的更新方向,该方法可以在一定程度上增加稳定性,提高网络的学习效率.最后,在人脸识别基准库LFW上的测试实验证明:所提的联合监督算法,在较小的网络训练集上,获得了99.31％的人脸识别精度.

关键词：深度学习、中心损失、Softmax损失、动量、人脸识别

所属期刊栏目：41

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目61402063;重庆市科技人才培养计划资助项目CSJC2013KJRC-TDJS40012;重庆市高校优秀成果转化资助项目KJZH14213

在线出版日期：2018-10-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：92-100