← Retour à la recherche

Recherche et Publications

ArcFace

Perte de marge angulaire additive pour la reconnaissance faciale profonde

ArcFace a introduit un objectif de marge angulaire simple mais très efficace, rendant les représentations faciales bien plus discriminantes à l'échelle de la production.

Détails de l’article

ArcFace: Additive Angular Margin Loss for Deep Face Recognition

Publication

CVPR 2019

Auteurs

Jiankang Deng, Jia Guo, Niannan Xue, Stefanos Zafeiriou

Ouvrir l’article

Vue d’ensemble de la recherche

ArcFace est devenu l'un des articles les plus influents en reconnaissance faciale parce qu'il améliore la séparation des classes d'identité dans l'espace des embeddings tout en restant facile à entraîner. La méthode est largement utilisée comme baseline solide pour la vérification, l'identification, la recherche et la sécurité des comptes.

Applications en production

  • Vérification d'identité et onboarding numérique
  • Contrôle d'accès et authentification du personnel
  • Détection de comptes dupliqués et réduction de la fraude
  • Recherche faciale à grande échelle et confrontation à des watchlists

Exemple de code

Comparer deux embeddings faciaux avec buffalo_l

Chargez buffalo_l, extrayez des embeddings normalisés à partir de deux images et calculez un score de similarité cosinus pour les workflows de vérification faciale.

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)

Contributions clés

Ajoute une marge angulaire explicite pour que le modèle apprenne des clusters plus compacts par personne et une séparation plus nette entre identités.

Les gains sur les principaux benchmarks de reconnaissance faciale ont fait d'ArcFace une perte standard des embeddings faciaux modernes.

S'intègre naturellement aux systèmes de reconnaissance à grande échelle qui nécessitent des scores de similarité stables pour le matching, la déduplication et la recherche en watchlist.

Contact commercial

Parlons de vos besoins business

Contactez InsightFace pour les licences de modèles, le support de déploiement en entreprise, le développement IA sur mesure ou les partenariats stratégiques.

Nous n'acceptons que les demandes provenant d'adresses e-mail professionnelles.

Contacter par EmailExplorer sur GitHub