← Zur Forschung

Forschung & Publikationen

ArcFace

Additive Winkel-Margin-Verlustfunktion für Deep Face Recognition

ArcFace führte ein einfaches, aber äußerst wirksames Winkel-Margin-Ziel ein, das Gesichts-Embeddings im Produktivbetrieb deutlich diskriminativer machte.

Paper-Details

ArcFace: Additive Angular Margin Loss for Deep Face Recognition

Veröffentlichung

CVPR 2019

Autor:innen

Jiankang Deng, Jia Guo, Niannan Xue, Stefanos Zafeiriou

Paper öffnen

Forschungsüberblick

ArcFace zählt zu den einflussreichsten Arbeiten der Gesichtserkennung, weil es die Trennung von Identitätsklassen im Embedding-Raum verbessert und gleichzeitig praktikabel im Training bleibt. Die Methode ist ein verbreitetes Baseline-Verfahren für Verifikation, Identifikation, Suche und Account-Security-Pipelines.

Produktive Einsatzszenarien

  • Identitätsverifikation und digitales Onboarding
  • Zutrittskontrolle und Mitarbeiterauthentifizierung
  • Erkennung von Mehrfachkonten und Betrugsreduktion
  • Großskalige Gesichtssuche und Watchlist-Abgleich

Codebeispiel

Zwei Gesichts-Embeddings mit buffalo_l vergleichen

Laden Sie buffalo_l, extrahieren Sie normalisierte Embeddings aus zwei Bildern und berechnen Sie einen Kosinus-Ähnlichkeitswert für Face-Verification-Workflows.

demo.py
1import cv2
2import numpy as np
3from insightface.app import FaceAnalysis
4
5app = FaceAnalysis(name="buffalo_l")
6app.prepare(ctx_id=0, det_size=(640, 640))
7
8img1 = cv2.imread("person_a.jpg")
9img2 = cv2.imread("person_b.jpg")
10if img1 is None or img2 is None:
11    raise FileNotFoundError("input image not found")
12
13faces1 = app.get(img1)
14faces2 = app.get(img2)
15if not faces1 or not faces2:
16    raise RuntimeError("face detection failed")
17
18feat1 = faces1[0].normed_embedding
19feat2 = faces2[0].normed_embedding
20similarity = float(np.dot(feat1, feat2))
21
22print("face 1 feature:", feat1[:5])
23print("face 2 feature:", feat2[:5])
24print("cosine similarity:", similarity)

Kernbeiträge

Fügt eine explizite Winkel-Margin hinzu, sodass das Modell engere Cluster pro Person und klarere Trennung zwischen Identitäten lernt.

Deutlich bessere Ergebnisse auf zentralen Gesichtserkennungs-Benchmarks etablierten ArcFace als Standardverlust für moderne Gesichts-Embeddings.

Eignet sich nahtlos für großskalige Erkennungssysteme, die stabile Ähnlichkeitsscores für Matching, Deduplizierung und Watchlist-Suche benötigen.

Geschäftlicher Kontakt

Sprechen wir über Ihre geschäftlichen Anforderungen

Kontaktieren Sie InsightFace für Modelllizenzierung, Unterstützung bei Enterprise-Deployments, kundenspezifische KI-Entwicklung oder strategische Partnerschaften.

Wir akzeptieren ausschließlich Anfragen von geschäftlichen E-Mail-Adressen.

Per E-Mail kontaktierenAuf GitHub erkunden