在一些论文中，我读到 softmax 损失在 FR 中不是首选，因为它没有提供良好的类间和类内边距，但无法理解“为什么？”。所以有人可以解释一下，为什么在数学和理论上都不喜欢在 FR 中使用 softmax 损失。
为什么在 FR（人脸识别）中不首选一般/原始 softmax 损失？
数据挖掘
深度学习
美国有线电视新闻网
图像识别
物体识别
2021-10-13 18:42:58
1个回答
softmax loss 的缺点写在您的参考论文中。
“ArcFace”（arxiv.org/pdf/1801.07698.pdf）和“通过集中坐标学习进行人脸识别” https://arxiv.org/pdf/1801.05678.pdf
(1) 线性变换矩阵 W ∈ Rd×n 的大小随着身份数 n 线性增加；
- 训练数据中有数百万个身份。复杂性会增长太多。
(2) 学习到的特征对于闭集分类问题是可分离的，但对于开集人脸识别问题的判别力不够。
- 在开集问题中，未知类可能出现在测试阶段。在闭集问题中，所有测试类在训练阶段都是已知的。人脸识别是开集问题。