face recognition[variations of softmax][L-Softmax]

---

本文来自《Large-Margin Softmax Loss for Convolutional Neural Networks》，时间线为2016年12月，是北大和CMU的作品。

0 引言

过去十几年，CNN被应用在各个领域。大家设计的结构，基本都包含卷积层和池化层，可以将局部特征转换成全局特征，并具有很强的视觉表征能力。在面对更复杂的数据下，结构也变得更深（VGG），更小的strides（VGG），新的非线性激活函数（ReLU）。同时受益于很强的学习能力，CNN同样需要面对过拟合的问题。所以一些如大规模的训练集，dropout，数据增强，正则，随机池化等都不断被提出。

最近的主流方向倾向于让CNN能够学到更具辨识性的特征。直观上来说，如果特征具有可分性且同时具有辨识性，这是极好的。可是因为许多任务中本身包含较大的类内变化，所以这样的特征也不是轻易能够学到的。不过CNN强大的表征能力可以学到该方向上的不变性特征，受到这样的启发，contrastive loss和triplet loss都因此提出来增强类内紧凑性和类间可分性。然而，一个后续问题是，所需要的图片二元组或者三元组理论上需要的量是\(O(N^2)\)，这里\(N\)是训练样本的个数。考虑到CNN经常处理大规模训练集合，所以需要精心的选择训练集的一个子集来拟合这些loss函数。因为softmax的简洁和概率可解释性，softmax被广泛的应用。再加入cross-entropy loss一起使用，形成了最CNN分类结构中最常用的组件。

本文中，作者将softmax loss定义为cross-entropy loss，softmax函数和最后一层全连接层的组合。如下图

基于这样的设定，许多流行的CNN模型可以被看成一个卷积特征学习组件和一个softmax loss组件的组合。可是之前的softmax loss不能显式的推进类内紧凑和类间可分。作者一个直观观点是模型的参数和样本可以因式分解成幅度和具有cos的相似性角度：
\[\mathbf{W}_cx=||\mathbf{W}_c||_2||x||_2cos(\theta_c)\]
这里\(c\)是类别索引，对应的最后全连接层参数\(\mathbf{W}_c\)可以看成是关于类\(c\)的线性分类器的参数。基于softmax loss，标签预测决策规则很大程度上是被每个类别的角度相似度决定的（因为softmax loss使用余弦距离作为分类得分）。

作者本文的目的就是通过角度相似度项，泛化softmax loss到一个更通用的大边际softmax(L-Softmax)loss上，从而让学到的特征之间具有更大的角度可分性。通过预设常数\(m\)，乘以样本和ground-truth类别分类器之间的角度。\(m\)确定了靠近ground-truth类的强度，提供了一个角度边际。而传统的softmax loss可以看成是L-sofmax loss的一个特例。

如上图可以看出，L-Softmax学到的特征可以变得更紧凑和更可分。
L-Softmax loss是一个灵活的可以调整类内角度边际限制的目标函数。它提出了可调节难度的学习任务，其中随着所需边际变大，难度逐渐增加。L-Softmax loss有好几个优势：

• 倾向扩大类之间的角度决策边际，生成更多辨识性的特征。它的几何解释也十分清晰和直观；
• 通过定义一个更困难的学习目标来部分避免过拟合，即采用了不同的观点来阐述过拟合；
• L-Softmax不止得益于分类问题。在验证问题中，最小的类间距离也会大于最大的类内距离。这种情况下，学习可分性的特征可以明显的提升性能。

作者的实验验证了L-Softmax可以有效的加速分类和验证任务的性能。更直观的，图2和图5中的特征可视化都揭示了L-Softmax loss更好的辨识性

作为一个直观的softmax loss泛化，L-softmax loss不止是继承了所有softmax loss的优点，同时让特征体现不同类别之间大角度边际特性。

1 Softmax Loss以cos方式呈现

当前广泛使用的数据loss函数包含欧式loss，hinge（平方） loss，信息增益loss，contrastive loss, triplet loss, softmax loss等等。为了增强类内紧凑性和类间可分性，《Deep learning face representation by joint identificationverification》提出将softmax和contrastive相结合。contrastive loss输入的是一对训练样本，如果这对样本属于同一个类，那么contrastive loss需要他们的特征尽可能的相似；否则，contrastive loss会让他们的距离超过一个边际阈值。

而不管是contrastive loss还是triplet loss都需要仔细的设计样本选择过程。而他们都更加倾向类内紧凑性和类间可分性，这也给作者一些灵感：在原始softmax loss上增加一个边际限制。

作者提出在原始softmax loss上进行泛化。假设第\(i\)个输入特征\(x_i\)和对应的label是\(y_i\)。那么原始softmax loss可以写成：
\[L=\frac{1}{N}\sum_i L_i=\frac{1}{N}\sum_i-\log \left ( \frac{e^{f_{y_i}}}{\sum_j e^{f_j}}\right ) \tag{1}\]
其中，\(f_j\)表示类别得分\(\mathbf{f}\)向量的第\(j\)个元素（\(j\in [1,K]\),K表示类别个数），N表示样本个数。在softmax loss中，\(\mathbf{f}\)通常表示全连接层\(\mathbf{W}\)的激活函数，所以\(f_{y_i}\)可以写成\(f_{y_i}=\mathbf{W}_{y_i}^Tx_i\)，这里\(\mathbf{W}_{y_i}\)是\(\mathbf{W}\)的第\(y_i\)列。注意到，忽略了\(f_j\)中的常量\(b\)，\(\forall j\)为了简化分析，但是L-Softmax loss仍然可以容易的修改成带有\(b\)的（性能没什么差别）。
因为\(f_j\)是基于\(\mathbf{W}_j\)和\(x_i\)的内积，可以写成\(f_j=||\mathbf{W}_j||||x_i||cos(\theta_j)\)，这里\(\theta_j(0\leq \theta_j \leq \pi)\)是基于\(\mathbf{W}_j\)和\(x_i\)向量的夹角，因此loss变成：
\[L_i=-\log\left( \frac{
e^{||\mathbf{W}_{y_i}||||x_i||cos(\theta_{y_i})}
}{
\sum_i e^{||\mathbf{W}_j|| ||x_i|| cos(\theta_j)}
} \right ) \]

2 Large-Margin Softmax Loss

2.1 直观

这里先给出一个简单的例子来直观的描述一下。考虑一个二分类问题，有一个来自类别1的样本\(x\)，为了正确分类，原始softmax表现为\(\mathbf{W}_1^Tx> \mathbf{W}_2^Tx\)(即，\(||\mathbf{W}_1||||x||cos(\theta_1)> ||\mathbf{W}_2||||x||cos(\theta_2)\))。然而，为了生成一个决策边际而让分类更严格，作者认为可以\(||\mathbf{W}_1||||x||cos(m\theta_1)>||\mathbf{W}_2||||x||cos(\theta_2)(0 \leq \theta_1 \leq \frac{\pi}{m})\)，这里\(m\)是一个正整数，因为有下面不等式：
\[
||\mathbf{W}_1||||x||cos(\theta_1) \geq ||\mathbf{W}_1||||x||cos(m\theta_1) > ||\mathbf{W}_2||||x||cos(\theta_2)
\]
因此，\(||\mathbf{W}_1||||x||cos(\theta_1) > ||\mathbf{W}_2||||x||cos(\theta_2)\).所以新分类标准是一个更强的标准。

2.2 定义

按照上面的解释，L-Softmax loss定义为：

其中定义为：

这里\(m\)是一个整数，与分类边际密切相关。当\(m\)变得更大时，分类边际也更大，学习的目标同时也变得更难。同时\(\mathcal{D}(\theta)\)是一个单调递减的函数，\(\mathcal{D}(\frac{\pi}{m})\)等于\(cos(\frac{\pi}{m})\)

为了简化前向和后向传播，本文中作者构建了一个特殊的函数\(\psi (\theta_i)\)：
\[\psi (\theta)=(-1)^kcos(m\theta)-2k,\, \, \theta\in\left [ \frac{k\pi}{m},\, \frac{(k+1)\pi}{m}\right ] \tag{6}
\]
这里\(k\in[0, m-1]\),\(k\)是一个整数。将式子1，式子4，式子6相结合，得到的L-Softmax loss。对于前向和后向传播，需要将\(cos(\theta_j)\)替换为\(\frac{\mathbf{W}_j^Tx_i}{||\mathbf{W}_j||||x_i||}\)，然后将\(cos(m \theta_{y_i})\)替换成：

这里n是整数且\(2n \leq m\)。在消掉\(\theta\)之后，可以求关于\(x\)和\(\mathbf{W}\)的偏导。

2.3 几何解释

作者的目标是通过L-Softmax loss来得到一个角度边际。为了简化几何上的解释，这里分析二分类情况，其中只有\(\mathbf{W}_1\)和\(\mathbf{W}_2\)。
首先，假设\(||\mathbf{W}_1||=||\mathbf{W}_2||\),如图4。

当\(||\mathbf{W}_1||=||\mathbf{W}_2||\)时，分类结果完全依赖介于\(x\)和\(\mathbf{W}_1(\mathbf{W}_2)\)。在训练阶段，原始的softmax需要\(\theta_1<\theta_2\)去将样本\(x\)分为1类，同时，L-Softmax loss需要\(m\theta_1<\theta_2\)来保证同样的决策。可以发现L-Softmax是更严格的分类标准，从而生成一个介于类1和类2分类边际。假设softmax和L-Softmax都优化到相同的值，然后所有的训练特征可以十分完美的分类，那么，介于类1和类2之间的角度边际可以通过\(\frac{m-1}{m+1}\theta_{1,2}\)得出，这里\(\theta_{1,2}\)是基于向量\(\mathbf{W}_1\)和\(\mathbf{W}_2\)之间的角度。L-Softmax loss同样也会建立类1和类2的决策面。从另一个角度，让\(\theta_1^{'}=m\theta_1\)，并假设原始softmax和L-Softmax可以优化到相同的值。那么可以知道在原始softmax中\(\theta_1^{'}\)是L-Softmax中\(\theta_1\)的m-1倍。所以介于学到的特征和\(\mathbf{W}_1\)之间的角度会变得更小。对于每个类别，都有相同的结论。本质上，L-Softmax 会缩小每个类可行的角度，并在这些类上生成 一个边际。

对于\(||\mathbf{W}_1||>||\mathbf{W}_2||\)和\(||\mathbf{W}_1||<||\mathbf{W}_2||\)等情况，几何解释更复杂一些。因为\(\mathbf{W}_1\)和\(\mathbf{W}_2\)的模是不同的，类1和类2的可行角度也是不同的。正常的更大的\(\mathbf{W}_j\)，对应的类就有更大的可行角度。所以，L-Softmax loss会对不同的类生成不同角度的边际。同时也会对不同的类生成不同的边际。

2.4　讨论

L-Softmax loss在原始softmax上做了一个简单的修改，在类之间获得了一个分类角度边际。通过设定不同的m值，就定义了一个可调整难度的CNN模型。L-Softmax loss有许多不错的特性：

• L-Softmax 有一个清晰的几何解释。m控制着类别之间的边际。更大的m（在相同训练loss下），表示类别之间理想的边际也更大，同时学习的困难程度也会上升。当m=1，L-Softmax就是原始softmax；
• L-Softmax 定义了一个带有可调整边际（困难）的学习目标。一个困难的学习目标可以有效的避免过拟合，同时继承深度和广度结构上很强的学习能力；
• L-Softmax 可以很容易的作为标准loss的一个选择，就和其他标准loss一样，也包含可学习的激活函数，数据增强，池化函数或其他网络结构模型。

3 优化

L-Softmax loss的前向和后向是很容易计算的，所以也很容易通过SGD进行迭代优化。对于\(L_i\)，原始softmax和L-Softmax之间的差别在于\(f_{y_i}\)。因此只需要在前向和后向中计算\(f_{y_i}\)，且同时其他的\(f_j,\, j \neq y_i\)与原始softmax是一样的，将式子6和式子7相结合，得到\(f_{y_i}\)：

其中：

且，k是一个整数，取值为\([0,m-1]\)。对于后向传播，使用链式法则去计算偏导
和
因为\(\frac{\partial L_i}{\partial f_j}\)和\(\frac{\partial f_j}{\partial x_i},\, \frac{\partial f_j}{\mathbf{W}_{y_i}},\forall j \neq y_i\)在原始softmax和L-Softmax都是一样的，所以为了简洁，\(\frac{\partial f_{y_i}}{\partial x_i}\)和\(\frac{\partial f_{y_i}}{\partial \mathbf{W}_{y_i}}\)可以通过下面式子计算：


在实现过程中，k可以通过构建一个关于\(\frac{\mathbf{W}_{y_i}^Tx_i}{||\mathbf{W}_{y_i}||||x_i||}\)(即\(cos(\theta_{y_i})\))的查找表。举个例子，给定一个m=2时候的力气，此时\(f_i\)写成：

其中：

在后向传播中，\(\frac{\partial f_{y_i}}{\partial x_i}\)和\(\frac{\partial f_{y_i}}{\partial \mathbf{W}_{y_i}}\)计算为：

当\(m\geq 3\)时，仍然可以通过式子8，式子9，式子10来计算前向和后向。

4 实验细节

在两个类型数据集上进行了本文方法的测试：图像分类和人脸验证。在图像分类中使用MNIST，CIFAR10，CIFAR100；在人脸验证中使用LFW。只有在softmax层有差别，前面的网络结构在每个数据集上都是各自一样的。如下图

网络结构上，略

当训练具有较多目标的数据集如CASIA-WebFace上，L-Softmax的收敛会变得比softmax 要困难，对于这种情况，L-Softmax就更难收敛，这时候的学习策略是

且梯度下降开始时采用较大值的\(\lambda\)(接近原始softmax)，然后逐步的减小\(\lambda\)，理想情况下\(\lambda\)会减少到0，不过实际情况中，一个较小的值就能满足了。

。