本文提出了一种融合了 softmax 和 center loss 函数的联合监督信号 Git loss,旨在最小化同类内部差异、最大化异类间距离,以增强深度特征的判别能力,通过在两个人脸识别基准数据集上的实验证明 Git loss 可以达到不同身份深度人脸特征的最大可分性,并在 LFW 和 YTF 两个主要的人脸识别基准数据集上实现了最先进的准确度。
在这项工作中,我们通过将分类器的参数设置为不可训练(即固定),展示出如何从使用 Softmax loss 训练的 CNN 中提取最大类间可分性和最大类内紧凑性的特征。我们的方法统一和泛化了两个不同类别的方法,即由 Center Loss 引领的判别特征和由 Hoffer 等人在 2018 年首次评估的固定分类器。