Additive Margin Softmax for Face Verification
论文地址：点击打开链接
源码地址：点击打开链接
1. Softmax loss
其中f为最后全连接层的输入（fi表示第i个样本），wj为全连接层的第j列。
2. A-Softmax loss
3. AMSoftmax loss
本文提出的方法将cos(mθ)更改为cosθ-m，将sphereface中的倍乘更改为加法。增加类间距，并减小类内距。为了提高收敛速度，引进了一个超参数s，这里s设置为固定值30。
几种loss函数的特征分布可视化结果如下：
4. 实验结果如下：
（本文采用的是CASIA-WebFace数据集作为训练数据，在lfw以及megaface数据集上进行验证。CASIA-WebFace数据集和lfw数据集有17个重复身份的人，CASIA-WebFace数据集和megaface数据集有42个重复身份的人。本文采用的是清洗过后的CASIA-WebFace数据集作为训练集。）
sphereface中只对w进行了归一化，本文对w和x都进行了归一化处理。其中w/o FN表示没有进行特征归一化处理。
实验结果表明，在高质量图片集（lfw）中，不使用特征归一化结果更好。在很多低质量的图片集（megaface）中，使用特征归一化结果更好。