← Volver a Investigación

Investigación y Publicaciones

ArcFace

Pérdida de margen angular aditivo para reconocimiento facial profundo

ArcFace introdujo un objetivo de margen angular sencillo pero muy eficaz que hizo que los embeddings faciales fueran mucho más discriminativos a escala de producción.

Detalles del paper

ArcFace: Additive Angular Margin Loss for Deep Face Recognition

Publicación

CVPR 2019

Autores

Jiankang Deng, Jia Guo, Niannan Xue, Stefanos Zafeiriou

Abrir paper

Resumen de la investigación

ArcFace se convirtió en uno de los artículos más influyentes del reconocimiento facial porque mejora la separación entre clases de identidad en el espacio de embeddings sin sacrificar la viabilidad del entrenamiento. El método se utiliza ampliamente como línea base sólida en pipelines de verificación, identificación, búsqueda y seguridad de cuentas.

Aplicaciones en producción

  • Verificación de identidad y onboarding digital
  • Control de acceso y autenticación de empleados
  • Detección de cuentas duplicadas y reducción de fraude
  • Búsqueda facial a gran escala y comparación con listas de vigilancia

Ejemplo de código

Comparar dos embeddings faciales con buffalo_l

Cargue buffalo_l, extraiga embeddings normalizados de dos imágenes y calcule una puntuación de similitud de coseno para flujos de verificación facial.

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)

Aportes clave

Añade un margen angular explícito para que el modelo aprenda clústeres más compactos por persona y una separación más clara entre identidades.

Las mejoras en los principales benchmarks de reconocimiento facial consolidaron a ArcFace como pérdida estándar para los embeddings faciales modernos.

Encaja de forma natural en sistemas de reconocimiento a gran escala que necesitan puntuaciones de similitud estables para matching, deduplicación y búsqueda en listas de vigilancia.

Contacto comercial

Conversemos sobre sus necesidades comerciales

Contacte con InsightFace para licencias de modelos, soporte de despliegue empresarial, desarrollo de IA a medida o conversaciones sobre alianzas estratégicas.

Solo aceptamos consultas desde direcciones de correo electrónico empresariales.

Contactar por EmailExplorar en GitHub