【免费下载链接】caffe-faceThis branch is developed for deep face recognition项目地址https://gitcode.com/gh_mirrors/ca/caffe-face点击查看免费下载caffe-face 是基于 Caffe 的深度人脸识别deep face recognition训练分支它的灵魂是一个名为Center Loss的自定义损失层为每个人脸身份建立一个可学习的特征中心把同一人的特征紧凑地拉向中心从而显著提升人脸特征的判别性将 LFW 等验证集的单模型准确率推到 ~99% 的秘诀之一。本文从零讲清 Center Loss 的数学原理、梯度推导与工程用法。 Center Loss 解决什么问题从单一 softmax 损失到双重损失常规人脸识别网络训练只靠 softmax loss让分类器给正确身份输出最高概率。但它有两个短板梯度间接softmax loss 主要修正分类器权重fc6对最终用于比对的人脸特征只起间接约束作用特征松散部署时分类器通常被扔掉剩下的只有 512 维特征向量。若同一人的特征四处发散同人脸相似度下降识别率直接被拖垮。Center Loss 的思路非常直观 为每个身份 j 设一个中心点 c_j可学习参数再加一个损失衡量每个样本特征离自己身份中心有多远。训练时的总损失是两者加权和总损失 L SoftmaxWithLoss λ × CenterLossface 示例中 λ 0.008 一个公式看懂 Center Loss 的数学原理设一个 mini-batch 有 M 个人脸样本特征维度 K身份数 N样本 i 的特征为 x_i身份为 y_i该身份的中心为 c_{y_i}距离项D_i x_i − c_{y_i}损失函数L_c (1 / 2M) × Σᵢ ‖D_i‖²几何含义每个人脸特征都被拉向自己身份的聚点loss 越小该身份的特征团越紧。中心 c_j 本身也是可训练参数——它会像磁铁一样持续追踪类内均值特征团移动时中心自动跟随。 三步读懂前向/反向传播实现完整实现见 center_loss_layer.cppGPU 版本在 center_loss_layer.cu层的 proto 参数num_output、center_filler、axis定义在 caffe.proto。① 前向算距离再平方累加对每个样本按标签取出对应中心算出 D_i然后对所有距离求平方和、除以 2M 输出 loss——对应代码中caffe_sub计算距离、caffe_cpu_dot求平方和的两步。② 对特征求梯度梯度 距离 ÷ Mloss 对特征 x_i 的梯度就是 D_i 缩放到 1/M 再回传给卷积主干propagate_down[0]分支。这正是把特征拉向中心的压力来源它直接塑造 fc5 输出的 512 维嵌入。③ 对中心求梯度类内偏差平均对身份 j设 batch 中属于该身份的样本数为 n_j则∂L_c / ∂c_j (1 / (n_j 1)) × Σ_{y_i j} (c_j − x_i)注意分母里的n_j 1这是一个工程平滑项——当某个身份在 batch 中出现次数很少时削弱中心更新步长避免中心剧烈震荡batch 中完全没出现的身份梯度自然为 0保持稳定。 为什么它能提升人脸判别性关键在于两个损失分工协作损失约束目标几何效果SoftmaxWithLoss正确身份得分最高类间分离不同身份的特征团被推开CenterLoss特征逼近身份中心类内紧凑同一身份的特征团被压缩直接雕刻特征测试时网络只输出 fc5 的 512 维特征用余弦相似度/欧氏距离比对。softmax 对这个特征向量的梯度太间接Center Loss 才是直接雕刻嵌入空间的损失紧凑即判别性同一个人特征越聚拢同人距离与异人距离的间隔越大判决阈值附近的误判率越小中心独立可训练示例中给中心参数单独设置lr_mult: 1、decay_mult: 2face_train_test.prototxt让中心更快跟上类内均值变化。⚡ face_example 快速上手3 步训练自己的人脸识别模型第 1 步克隆仓库并编译git clone https://gitcode.com/gh_mirrors/ca/caffe-face # 安装方式与 Caffe 完全一致按其官方安装文档操作第 2 步看懂双损失网络配置示例网络 Face-ResNet10572 个身份在 face_train_test.prototxt 尾部挂上双损失CenterLoss 直接消费 512 维特征与标签layer { name: center_loss type: CenterLoss bottom: fc5 # 512维人脸特征 bottom: label # 身份标签 top: center_loss loss_weight: 0.008 center_loss_param { num_output: 10572 # 必须与 fc6 的身份数一致 } }第 3 步启动训练并提取特征cd $CAFFE-FACE_ROOT ./build/tools/caffe train -solver face_example/face_solver.prototxt -gpu 0训练完成后用 extractDeepFeature.m 基于部署网络 face_deploy.prototxt 抽取 512 维特征做 1:1 验证超参数base_lr 0.1、momentum 0.9、28000 迭代见 face_solver.prototxt。✅ 要点速览符号与参数对照表符号 / 参数含义face 示例取值MM_批大小256KK_特征维度512NN_身份数量10572λloss_weightCenter Loss 权重0.008center_filler中心初始化方式xavierlr_mult / decay_mult中心独立学习率/衰减1 / 2常见疑问非人脸数据集能用吗可以。只要数据是特征 类别标签即可仓库中 mnist_example/mnist_train_test.prototxt 就是 MNIST 上的玩具示例。能否只保留 Center Loss 去掉 softmax不建议。Center Loss 只知道靠近自己人没有推开异类的显式压力必须与 softmax 搭配使用。λ 怎么调太小则紧凑性约束失效太大会挤压 softmax 的类间分离空间0.008 量级是该实现的推荐起点。Center Loss 的核心价值是给深度人脸识别提供了第二条更直接的训练信号softmax 管区分Center Loss 管聚合。读懂这层数学再去理解后来的 triplet loss、ArcFace 等改进方法就会发现它们大多是在同一个类内紧凑 类间分离的坐标轴上做文章。赞分享【免费下载链接】caffe-faceThis branch is developed for deep face recognition项目地址https://gitcode.com/gh_mirrors/ca/caffe-face点击查看免费下载相关推荐DeepSpeed-FastGen 重大更新解读新增 Mixtral、Phi-2、Falcon 模型家族并大幅提升推理性能DeepSpeed FastGen 重大更新解读新增 Mixtral、Phi 2、Falcon 模型家族并大幅提升推理性能 本文基于 DeepSpeed 官方人工智能大模型深度学习分布式训练预训练强化学习模型优化face-api.js模型优化指南提升人脸识别速度与性能face api.js模型优化指南提升人脸识别速度与性能 引言人脸识别性能瓶颈与优化方向 在Web应用中集成人脸识别功能时开发者常面临三大挑战实时性差人工智能计算机视觉深度学习创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考