文献类型：期刊文章

作　　者：张飞翔[1] 余学儒[2] 何卫锋[1] 李琛[2]

ZHANG Feixiang;YU Xueru;HE Weifeng;LI Chen(School of Electronic Information and Electrical Engineering,Shanghai Jiao Tong University,Shanghai 200240,China;Department of Artificial Intelligence,Shanghai Integrated Circuit Research and Development Center Co.,Ltd.,Shanghai 201203,China)

机构地区：[1]上海交通大学电子信息与电气工程学院微纳电子学系,上海200240 [2]上海集成电路研发中心有限公司AI部,上海201203

出　　处：《计算机工程与应用》

基　　金：国家自然科学基金(No.61774104)。

年　　份：2020

卷　　号：56

期　　号：24

起止页码：144-150

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对在卷积神经网络中定义损失函数为余弦裕度损失函数(Cosineface)后导致收敛变慢以及在实际使用过程中使用L2范数衡量特征相似度存在缺陷的问题,提出了斜率可变的余弦裕度损失函数(Kcosine)和多重范数计算特征相似度的方法。该方法通过在余弦裕度损失函数的基础上添加余弦斜率因子,使得损失函数类内约束随着余弦值的增大而逐渐增强,显式地缩小类内距离,同时利用L2范数和L∞范数构建人脸特征相似度向量,并通过支撑向量机(SVM)实现分类,修正L2范数空间衡量的不稳定性。在LFW和Agedb的数据库上1∶1验证实验表明,改进的损失函数不仅加快了训练的收敛速度,并且将类内距离减少15%以上,同时通过使用多重范数特征代替L2范数,可以将识别率均值提升0.1%左右,标准差也有所降低。

关 键 词：损失函数 L_2范数  多重范数  人脸识别

分 类 号：TP391.41]