论文 GroupFace: Learning Latent Groups and Constructing Group-based Representations for Face Recognition中，提供了一新型细粒化识别方法，并刷新了多项目SOTA
算法思路简洁但不失华丽，这里对该算法主体思路做简述
直接上图，算法主体思路是典型的注意力机制，backbone后，两条分支，一条用于输出N条组语义向量，一条用于输出N条语义向量的加权系数，很像SEnet，但作者对加权系数向量的抽象含义做了进一步的约束，加权系向量类似于一个小型分类网络输出结果，而实验结果也验证，该分类结果拥有具体的物理含义，比如检出人脸是否为光头，笑脸等。
此时网络又可以理解为，输出的加权系数向量是一种粗分类的结构，而对应的N条组语义向量则是粗分类的具体描述，具体的，我粗分类出这张人脸是一个光头，组语义向量则具体描述是一个什么样的光头，全光还是半光，有没有打蜡，而这一思路又让我联想到了一篇工业zero shot learning的方法Fault Description Based Attribute Transfer for Zero-Sample Industrial Fault Diagnosis，有兴趣的同学可以去了解一下
论文最后使用了arc face loss训练整个网络。
论文链接https://arxiv.org/pdf/2005.10497.pdf