一种加强区分的深度人脸识别训练方法

A Highly Differentiated Training Method for Deep Face Recognition

作为AI+公安视频分析落地应用最具代表性的技术之一,得益于深度卷积神经网络算法和海量的人脸训练数据,人脸识别技术水平近年来得到了快速提升。在众多的卷积神经网络技术中,大多使用SoftMax损失函数作为监督信号来训练深度模型。为了能够增强特征的区分性,受到中心损失函数的启发,结合类内和类间距离,提出中心扩散损失函数。该方法在学习深度特征的同时,不仅能够压缩同一类内不同特征之间距离,而且还可以增大类与类之间的距离,从而使学习到的特征具有高度的区分性。通过将SoftMax损失函数与中心扩散损失结合使用,该方法在不同的权重下,不仅压缩类内特征的距离还扩散类间的距离,保证类与类之间的可分性。使用CASIA~[15]以及FaceScrub~[17]对模型进行训练,并在LFW~[16](Label Faces in the Wild)数据库上进行测试,该方法可以达到99.4%的准确率。在公安检查站的人脸证件照验证实战数据集上进行测试,在错误接受率为0.1%时可以达到94.9%的正确接受率。相比现有深度学习人脸识别算法,本方法在复杂监控环境下具有更强的环境适应能力和相似人员区分能力。