ArcFace损失函数从入门到实战：人脸识别模型优化的核心利器

1次阅读

共计 1848 个字符，预计需要花费 5 分钟才能阅读完成。

人脸识别任务中，特征混淆会导致模型无法区分相似人脸，严重影响实际应用效果。例如，当两个人面部特征相似时，传统方法可能无法有效区分它们，这正是 ArcFace 损失函数要解决的核心问题。

损失函数	计算复杂度	收敛速度	特征区分度	适用场景
Softmax	低	快	一般	简单分类任务
ContrastiveLoss	中	慢	较好	小规模数据集
CenterLoss	中	中	较好	需要类内聚类的任务
ArcFace	中	快	优秀	大规模人脸识别

ArcFace 的核心思想是在角度空间中增加类间间隔。其公式为：

$$L = -\frac{1}{N}\sum_{i=1}^N \log\frac{e^{s(\cos(\theta_{y_i}+m))}}{e^{s(\cos(\theta_{y_i}+m))} + \sum_{j\neq y_i}e^{s\cos\theta_j}}$$

其中：
– $s$ 是特征缩放因子（温度系数）
– $m$ 是角度间隔惩罚项（超参数）
– $\theta_{y_i}$ 是特征与真实类中心的角度

超参数 $m$ 的物理意义：控制决策边界的大小。$m$ 越大，类间间隔越大，但过大会导致训练困难。

import torch
import torch.nn as nn
import torch.nn.functional as F

class ArcFace(nn.Module):
    def __init__(self, feat_dim, num_classes, s=30.0, m=0.5):
        super().__init__()
        self.weight = nn.Parameter(torch.Tensor(feat_dim, num_classes))
        nn.init.xavier_uniform_(self.weight)
        self.s = s
        self.m = m
        self.cos_m = math.cos(m)
        self.sin_m = math.sin(m)
        self.th = math.cos(math.pi - m)
        self.mm = math.sin(math.pi - m) * m

    def forward(self, features, labels):
        # 特征归一化
        features = F.normalize(features, dim=1)
        W = F.normalize(self.weight, dim=0)

        # 计算余弦相似度
        cosine = F.linear(features, W)
        sine = torch.sqrt(1.0 - torch.pow(cosine, 2))

        # 计算角度间隔
        phi = cosine * self.cos_m - sine * self.sin_m
        phi = torch.where(cosine > self.th, phi, cosine - self.mm)

        # one-hot 编码
        one_hot = torch.zeros_like(cosine)
        one_hot.scatter_(1, labels.view(-1, 1).long(), 1)

        # 计算最终 logits
        output = (one_hot * phi) + ((1.0 - one_hot) * cosine)
        output *= self.s
        return output

在 CASIA-WebFace 数据集（使用 RTX 3090，batch size=256）上的实验结果：