本篇是人脸识别的第四篇文章：
人脸识别第一篇：Center Loss
人脸识别第二篇：SphereFace
人脸识别第三篇：CosFace
人脸识别第四篇：ArcFace
人脸识别第五篇：CCL
方法
arcface [1] 也是对Sphereface的改进工作，主要的改进也是loss函数中角度裕量的添加方式。其中目标函数定义为：
而我们之前看的cos face的目标函数是：
再来看看相应的函数曲线：
相当于原始的余弦函数在x轴上向左偏移。这样做了之后，在角度值为180°的时候分类难度基本不变，而角度值较小的时候分类更加困难。相当于在角度值较小的时候加了裕量。
论文[1]还清洗了数据、分析了网络结构的变化对准确率的影响等。
大数据集的考量
我们知道，基于分类的人脸识别网络，在训练的时候需要的显存随着类别数增加线性增长。假如我们有很多类别怎么办？当然我们可以用Triplet loss或者contrastive loss等来作为目标函数。这篇论文用实验说明了先用分类的方法训练再用Triplet loss微调是有效的，能进一步提高性能。
可以看到训练集的影响：MS1M比VGG2高一个百分点
以及Triplet微调的效果
网络结构
下图是在VGG2用softmax训练的，各个网络的性能对比。
单纯用softmax性能就很高了。最好的是Inception-resnet
性能
我认为这篇论文的主要贡献是性能做得非常高，我认为成功的点主要在以下几方面：
引用
[1] Deng J,Guo J,ZafeirIoU S. arcface: Additive Angular Margin Loss for Deep Face Recognition[J]. arXiv preprint arXiv:1801.07698,2018.
