周书田，颜 信，谢镇汕

(电子科技大学格拉斯哥学院 成都 611731)

深度学习在人脸识别领域取得了巨大的成就，已经广泛应用在金融认证、门禁控制等领域，创造了巨大的经济与社会价值。在目前最大的公开人脸评测数据集MegaFace[1]上，顶尖的方法已经实现了97.91%的1:NTop-1 查准率[2]，并且已经超过人眼识别的水平。典型的人脸识别流程包含人脸检测[3]、人脸剪裁[4]、人脸特征提取[5]、人脸特征比对与查找[6]4 个流程。人脸识别模型优化的本质为：在一个特征空间中，属于同一个人的图像特征尽可能聚拢，不属于同一个人的图像特征尽可能发散，模型对于特征建模能力的强弱直接影响人脸识别模型的识别准确率。目前，人脸识别系统的巨大进步主要来自于网络架构[7]的不断革新，以及损失函数的设计。设计优良的损失函数，可以最大化实现类内特征的聚合与类间特征的离散。最近，大量的损失函数，如Triplet Loss[8]，使负样本对的距离大于正样本对的距离，大大提升了网络对于特异性特征向量的建模能力。

人脸识别模型依托于大规模的训练，训练图片数量高达数百万张，训练过程经常持续数周。但现有人脸识别训练模型常常会带来收敛过程中的震荡，使训练成本加大。本文对现有的人脸识别损失函数ArcFace[2]进行改进，将其logit 曲线变换成为一条直线，使收敛过程更加稳定，本文的方法命名为LineFace。

1 模型与方法

1.1 预置知识

人脸识别问题是一个典型的分类问题。解决传统分类问题的方法为使用交叉熵-softmax 损失函数进行分类损失监督，然后将损失进行反向传递，来更新识别网络参数。对于一张人脸照片，首先通过骨干网络提取其特征向量，将其表示为xi∈Rd，并且属于类别yi，对于类i的分类概率为：

图1 不同损失函数logit 曲线的对比

1.2 方 法

为了实现稳定的训练过程与极具特异性的特征表达，将logit 曲线变更为一条直线，在不同的收敛过程与阶段，其梯度始终为定值，避免了梯度的跳变，这带来了稳定的收敛。该损失函数命名为LineFace，其表达式为：

LineFace 在区间内单调递减，并且梯度恒定，拥有更好的可解释性。而对于ArcFace[2]和CosFace[10]，其在区间内，并不单调递减，并且梯度变化剧烈，使得训练不稳定。大量的实验表明，本文的损失函数可以大幅提高收敛过程的稳定性质，并带来识别性能的提高。LineFace 在训练过程中改变监督函数，不会在推理阶段引入新的计算消耗，因此在提升训练稳定的同时，保持了与之前工作相同的计算复杂性。

2 实验设置

2.1 实验数据

近年来，大规模数据集的出现极大地推进了人脸识别模型性能的提升，本文采用了学术界广泛使用的MS-Celeb-1M[12]数据集作为训练数据集，也是迄今为止开源的最大规模的人脸训练数据集。原始MS-Celeb-1M[12]数据的数据集被证明具有大量的数据噪声，因此与之前的工作相似，对MSCeleb-1M[12]数据进行了清理，清理后的数据集包含来自9 万人的510 万张照片。对于测试过程，本文选取了常见的LFW[13]、MegaFace[1]、YTF[14]以及IJB-A[15]数据集进行了测试。

2.2 数据预处理与骨干模型

人脸识别的第一步为人脸检测与裁剪，本文使用MTCNN[4]检测人脸与关键点，人脸图像将会被仿射变换到112*112，然后将像素值归一化到[0,1]，并且在最后添加了随机翻转以进行数据增广。

对于骨干模型，为了与之前的工作进行公平比较，采用了ResNet-101 的网络结构，ResNet-101是经典的深度学习骨干模型，其良好的泛化性已经在众多的任务中得到了验证。将特征嵌入层的维度设置为512，与之前的工作保持一致。

2.3 训练设置

本文在8 块NVIDIA 1080TI GPUs 进行了实验，总训练步数为11 万步，使用了步进学习率与权重衰减，初始学习率被设置为0.1，并且每4 万轮衰减0.1 直到模型收敛，模型动量被设置为0.9。

3 实验结果

3.1 在LFW 上的结果

作为人脸识别领域的黄金标准，LFW[13]测试集被广泛使用。根据报告，人眼在该测试集上的性能为97.25%，它包含来自于5 749 人的13 233 张图片，所有的照片都在非受限场景下采集，包括极具变化的姿势与分辨率。

官方的测试流程包含了6 000 图像对，其中3 000 张为正样本对，3 000 张为负样本对。本文严格参照了官方的10 折交叉验证的测试流程。

表1 不同损失函数在LFW 上的性能比较

如表1 所示，本文的方法在LFW 数据集上取得了有竞争力的结果，为99.63%。LFW 的性能已经在近年趋于饱和，并且因为错标注的存在，LFW数据集的理论上限为99.85%。因此，本文在更严苛的数据集YTF 与MegaFace 上进行了测试。

3.2 在YTF 上的结果

YTF[14]数据集包含来自1 595 人的3 424 个视频，平均每个人2.15 个视频，是现在广泛采用的视频人脸识别数据集。视频的长度从48～6 070 帧不等，平均为181.3 帧。视频人脸识别旨在测试模型在抖动模糊等极端场景下的建模能力。并且，在实际的验证场景中，更多的应用场景为视频数据。对于视频中的每个帧，都将其提取特征，并且使用平均池化来汇聚各个帧的信息。

表2 是在YTF 上识别的结果，可以看到，本文的损失函数实现了性能的提高，超过了目前最好的模型ArcFace[2]，并且大幅度领先了对帧之间汇聚进行精心设计的方法NAN[16]，实验结果证明了本文损失函数的有效性。

表2 不同损失函数在YTF 上的性能比较

3.3 在MegaFace 上的结果

MegaFace[1]被认为是目前最具有挑战性的人脸测试集，它由两个现存的数据集Facescrub 和FGNet作为查询集，并且从互联网上收集了百万级别的干扰集。这是第一个在百万级别进行极限人脸识别测试的数据集。

表3 是模型在MegaFace 上识别的性能，从表中可以看到，本文在MegaFace 上也取得了具有竞争力的结果，达到了98.03%。因为MegaFace 人脸测试集被证明包含大量的测试噪声，因此本文采用了与之前工作ArcFace[2]相同的数据清理策略。

表3 不同损失函数在MegaFace 上的性能比较

3.4 模型收敛性的验证

通过对损失函数logit 曲线的改变，将损失函数变成了余弦空间中的一条直线，从而提供了稳定的梯度，本文对训练过程进行了测试，如表4 所示，本文的模型收敛更快，在模型训练早期的性能大幅领先目前的方法。表4 中，在训练的迭代次数为30 000 时，本文方法领先主流方法6%～13%，证明了本文方法易于收敛。

表4 不同方法与不同训练迭代数量在LFW数据集上的性能

4 结 束 语

本文对目前现有的人脸损失函数进行了回顾，并且注意到模型收敛中梯度变化剧烈的问题。通过对logit 曲线进行改变，将其变为一条直线，从而提供了在网络训练的各个阶段都稳定的梯度。大量的实验证明，本文的方法增强了模型的收敛性，并且在各个数据集上都实现了稳定的性能。