ArcFace: خسارة الهامش الزاوي الإضافي لتمييز الوجه العميق

في الآونة الأخيرة، أصبحت إحدى الاتجاهات البحثية الشائعة في مجال التعرف على الوجه هي تبني هوامش في دالة الخسارة softmax المعروفة جيدًا لتعظيم فصل الفئات. في هذا البحث، نقدم أولاً خسارة الهامش الزاوي الإضافي (ArcFace)، والتي ليس فقط لديها تفسير هندسي واضح ولكنها تعزز أيضًا بشكل كبير قوة التمييز. نظرًا لحساسية ArcFace للضوضاء العلامة الكبيرة، فقد اقترحنا أيضًا ArcFace الفرعي، حيث تحتوي كل فئة على $K$ مراكز فرعية ويتعين على عينات التدريب أن تكون قريبة من أي من المراكز الفرعية الإيجابية $K$. يشجع ArcFace الفرعي وجود فئة فرعية رئيسية تحتوي على معظم الوجوه النظيفة وفئات فرعية غير رئيسية تشمل الوجوه الصعبة أو الضوضائية. بناءً على هذه العزلة الذاتية، نعزز الأداء من خلال تنقية تلقائية للوجوه الويب الخام تحت الضوضاء الحقيقية الكبيرة. بالإضافة إلى تمييز تضمين السمات، نستكشف أيضًا المشكلة العكسية، وهي رسم الخرائط بين متجهات السمات والصور الوجه. دون تدريب أي مولد أو مميز إضافي، يمكن للنموذج ArcFace المُدرب مسبقًا إنشاء صور وجه تحافظ على الهوية لكل من المواضيع داخل وخارج بيانات التدريب باستخدام فقط تدرج الشبكة ومقدّمات التطبيع الدُفري (Batch Normalization - BN). تظهر التجارب الواسعة أن ArcFace يمكن أن تعزز تمييز تضمين السمات وكذلك تعزيز التركيب الجيني للوجه.