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

本文提出了一种基于 triplet loss 和 proxy 的新型损失函数来实现各个身份特征之间的最小可分性，该函数简单易实现且在高分辨率和低分辨率人脸识别任务中均可达到 SOTA 的性能表现。

Mar, 2021

本论文提出了一种新的适应性损失函数，该函数强调错分特征向量以指导较有区别的特征学习，从而解决传统损失函数在面部识别中存在的问题，并在多个基准测试上取得了比其他先进替代方案更有效的实验结果。

Nov, 2019

本文提出了解决大规模人脸识别模型在存在类别不平衡数据时的训练问题的解决方案，包括面部特征提取模型和基于该模型的多分类模型，其中提出了一种新的监督信号（低频类别升级损失函数），在 MS-Celeb-1M 数据集上实现了优异的性能表现（94.89% 的测试图像被 99% 精度识别）。

Jul, 2017

本文在人脸识别任务中探讨了卷积神经网络 (convolutional neural network) 的应用，提出了一种名为 Li-ArcFace 的新的损失函数 (loss function)， 并在 MobileFaceNet 这一网络架构上进行了改进及添加注意力机制，同时总结出一些在人脸识别训练中的有用技巧，并在 LFR2019 深光科技挑战赛中荣获第二名。

Jul, 2019

模式识别的基本原则之一是训练和测试集之间的重叠会导致对准确性的乐观估计，在人脸识别中，由于训练集中的标识进行 N 路分类，通常将准确性估计为来自测试集（如 LFW、CALFW、CPLFW、CFP-FP 和 AgeDB-30 等）图像对的平均 10 折分类准确性。我们的实验揭示了 LFW 测试集系列与 MS1MV2 训练集之间的身份和图像重叠程度。我们还发现 MS1MV2 中存在身份标签噪声。通过将与 LFW 不重叠和与 LFW 重叠的相同大小 MS1MV2 子集的准确性进行比较，以揭示乐观偏差的大小。使用来自 LFW 测试集系列的更具挑战性的测试集，我们发现更具挑战性的测试集的乐观偏差更大。我们的结果突出了人脸识别研究中缺乏身份不重叠的训练和测试方法的问题和需求。

May, 2024

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

本文研究了深度卷积网络在人脸识别中的性能，发现网络的 “瓶颈” 结构对于迁移学习具有重要作用，并提出了一种解决方法，即用自助法取代随机子采样；同时还发现了表示范数和目标域判别能力之间的联系，并基于这些发现，在目前最流行的人脸识别数据集 LFW 上取得了优秀的性能，甚至超越了商用系统。

Jun, 2014

该研究提出了使用子空间学习训练三元组网络来改进人脸识别问题，结合小批量在线硬负样本挖掘策略，能够更容易地找到难的三元组，从而在 MS-Celeb-1M 数据集上取得了很好的表现。同时，该方法使用鲁棒的去噪和高效的图像检索，能够更好地应对大规模噪声和图像检索问题。

Sep, 2017