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。……