← Назад к исследованиям

Исследования и Публикации

ArcFace

Аддитивная угловая маржинальная функция потерь для глубокого распознавания лиц

ArcFace ввёл простую, но крайне эффективную целевую функцию с угловой маржой, благодаря чему лицевые эмбеддинги стали значительно более дискриминативными на промышленном масштабе.

Сведения о статье

ArcFace: Additive Angular Margin Loss for Deep Face Recognition

Публикация

CVPR 2019

Авторы

Jiankang Deng, Jia Guo, Niannan Xue, Stefanos Zafeiriou

Открыть статью

Обзор исследования

ArcFace стал одной из самых влиятельных работ по распознаванию лиц, потому что он улучшает разделение классов идентичности в пространстве эмбеддингов, не усложняя обучение. Метод широко применяется как сильная базовая линия в конвейерах верификации, идентификации, поиска и безопасности учётных записей.

Сценарии применения

  • Верификация личности и цифровой онбординг
  • Контроль доступа и аутентификация сотрудников
  • Поиск дубликатов учётных записей и борьба с мошенничеством
  • Крупномасштабный поиск лиц и сверка со списками наблюдения

Пример кода

Сравнение двух face embeddings с buffalo_l

Загрузите buffalo_l, извлеките нормализованные embeddings из двух изображений и вычислите cosine similarity для сценариев face verification.

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)

Ключевые преимущества

Добавляет явный угловой зазор, благодаря чему модель учит более компактные кластеры одного и того же человека и более чёткое разделение между разными лицами.

Улучшение результатов на ключевых бенчмарках распознавания лиц закрепило за ArcFace статус стандартной функции потерь для современных лицевых эмбеддингов.

Естественно работает с крупномасштабными системами распознавания, которым нужны стабильные оценки сходства для матчинга, дедупликации и поиска по спискам наблюдения.

Коммерческий контакт

Давайте обсудим ваши бизнес-задачи

Свяжитесь с InsightFace по вопросам лицензирования моделей, поддержки корпоративного внедрения, кастомной разработки ИИ или стратегического партнёрства.

Мы принимаем запросы только с корпоративных адресов электронной почты.

Связаться по EmailОбзор на GitHub