論文：https://arxiv.org/abs/1801.07698
推薦博客：https://blog.csdn.net/u014380165/article/details/80645489
人臉Reid基礎流程如下：
典型的人臉reid算法，對特征提取之后的結構而言，輸入xi是1*d的向量，表示輸入的特征向量，對該向量執行L2正則化操作就得到xi/||xi||。對該向量W是d*n的矩陣，n表示分類的類別數，因此對每一列（也就是Wj）都執行L2正則化操作，就得到Wj/||Wj||。xi/||xi||和Wj/||Wj||做矩陣相乘得到全連接層的輸出，這個輸出其實就是cosθj（嚴格講是||xi/(||xi||)||*||Wj/(||Wj||)||*cosθj，因為前面兩項都是1，所以就是cosθj），其中j屬於[1…n]。然后對該輸出中對應真實標簽的值（cosθyi）執行反余弦操作就能得到θyi，yi就表示真實標簽。因為SphereFace、ArcFace和CosineFace中都有m參數，所以這里分別用m1、m2和m3表示，因此這3個算法整合在一起就是cos(m1θyi+m2)-m3。然后乘以一個scale參數s，最后該結果作為以e為底的指數函數的指數送到softmax函數，最后就得到預測的輸出概率。
下面講解下論文中的推導：
Softmax和W-Norm softmax比較簡單，坐標軸是cosθ1和cosθ2，分界線的斜率是1。SphereFace中的坐標軸是θ1和θ2，其中class1的線對應Table1中的公式，因為m小於1，cos函數在該輸入范圍內是遞減函數，所以斜率（cosmθ1/cosθ2）大於1。class2那條線同理，同時兩條線都過原點。CosinFace中的坐標軸是cosθ1和cosθ2，class1那條線相當於將過原點的斜率為1的線向上平移m的結果，為什么這么說？假設θ2=0，那么class1線就是cosθ1=m，又因為縱坐標軸是cosθ1，因此就是平移m，class2同理。ArchFace中的坐標軸是θ1和θ2，class1這條線相當於將過原點的斜率為1的線向上平移m的結果（注意，雖然都是平移m，但是這里的坐標軸和CosinFace不同，因此平移的量不一樣）。
因此這里有個非常重要的結論：在ArcFace中是直接在角度空間（angular space，也就是橫縱坐標是角度θ1和θ2，不是softmax或CosineFace中的cosθ1和cosθ2）中最大化分類界限。
話說新版論文似乎沒有對為什么ArcFace更好給出具體分析，只是籠統的說對margin設計的微小改動對效能有“蝴蝶效應”般的影響。
實驗比較多，貼個主要的，其他的看原文吧：
