本文比较了用于人脸识别的不同损失函数（Cross-Entropy、Angular Softmax、Additive-Margin Softmax、ArcFace 和 Marginal Loss）在 ResNet 和 MobileNet 两种 CNN 架构下的表现，采用了 CASIA-Webface 和 MS-Celeb-1M 两个数据集进行训练，并在 LFW 人脸数据集上进行了测试。

Jan, 2019

本文介绍了一种新的面部识别方法，使用 ArcFace 和子中心 ArcFace 方法来提高分类效果并且减少噪声影响，并且可以通过训练好的模型生成身份保持的面部图像。

Jan, 2018

本文提出了一种基于 ArcFace 工作、利用数据增强和 Multi-Task ArcFace 算法的全面训练流程，可识别戴口罩的人脸，同时还可以检测人们是否佩戴口罩。此方法大大提高了识别准确性，并在口罩使用分类方面达到了 99.78% 的平均准确度。

Apr, 2021

本文提出基于余弦相似度的大间距余弦损失函数，提高了人脸识别深度卷积神经网络的性能，在 MegaFace Challenge、Youtube Faces、Labeled Face in the Wild 等公共数据集上达到了最先进的表现。

Jan, 2018

本文介绍了 EdgeFace，这是一种轻量级高效的人脸识别网络，它结合了 CNN 和 Transformer 模型的优势，使用低秩线性层优化了计算性能，适用于边缘设备，并在多个领域取得了理想的人脸识别结果。

Jul, 2023

本研究提出了一种轻量且准确的面部检测算法 LAFD（基于 Retinaface）。该算法中的主干网络是修改的 MobileNetV3 网络，调整了卷积核的大小、反向残差块的通道扩展乘数以及 SE 注意机制的使用。在上下文模块中引入了可变形卷积网络（DCN），并使用焦点损失函数作为模型的分类损失函数，而不是交叉熵损失函数。在 WIDERFACE 数据集上的测试结果表明，LAFD 的平均准确率分别为 94.1％，92.2％和 82.1％，对应于 “easy”，“medium” 和 “hard” 验证子集，相对于 Retinaface 分别提高了 3.4％，4.0％和 8.3％，相对于轻量级模型 LFFD 分别提高了 3.1％，4.1％和 4.1％。如果将输入图像预处理并缩放到 1560 像素的长度或 1200 像素的宽度，该模型在 “hard” 验证子集上可以达到 86.2％的平均准确率。该模型很轻量，仅有 10.2MB 的大小。

Aug, 2023

本文旨在提高面部识别模型的鉴别能力，并提出弹性惩罚边缘损失 (ElasticFace) 来放松固定惩罚边缘的限制，该方法采用每个训练迭代中从正态分布中绘制的随机边缘值，以提高面部识别性能。

Sep, 2021

本文介绍了 trojans 团队在 ICCV19-Lightweight Face Recognition Challenge 中提交的解决方案。该解决方案通过基于 Flops 约束的搜索网络架构 “Efficient PolyFace”、一种新的损失函数 “ArcNegFace”、一种新的帧聚合方法 “QAN++” 以及一系列有用的实现技巧，取得了 94.198% @ 1e-8 和 72.981% @ 1e-4 的最先进成果。

Sep, 2019

本文提出并实现了一种基于单个卷积神经网络的人脸识别方法，使用残差学习框架和归一化特征计算损失，实验证明在不同数据集上具有较好的泛化性能。

Mar, 2017

本研究中，我们给特征描述符添加了一个 L2 约束，以保证它们位于一个固定半径的超球面上，该步骤可以显著提高面部验证的性能，特别是在 IJB-A 数据集上实现了 0.909 的 True Accept Rate 以及 0.0001 的 False Accept Rate。

Mar, 2017