خسارة Git للاعتراف بالوجوه العميقة

تم استخدام شبكات العصبونات المتلافهة (Convolutional Neural Networks - CNNs) على نطاق واسع في مهام رؤية الحاسوب، مثل التعرف على الوجه والتحقق منه، وقد حققت نتائجًا متفوقة بفضل قدرتها على التقاط الخصائص العميقة المميزة. عادةً ما يتم تدريب شبكات CNN باستخدام دالة softmax كإشارة إشراف لمعاقبة خسارة التصنيف. من أجل تعزيز القدرة التمييزية للخصائص العميقة بشكل أكبر، نقدم إشارة إشراف مشتركة تُسمى Git loss، والتي تستفيد من دوال softmax و center loss. هدف دالة الخسارة الخاصة بنا هو تقليل الاختلافات داخل الفئات وتضخيم المسافات بين الفئات. يعتبر هذا النوع من التقليل والتضخيم للخصائص العميقة مثاليًا لمهمة التعرف على الوجه. نقوم بإجراء تجارب على مجموعتي بيانات شهيرتين لاختبار التعرف على الوجه ونظهر أن دالة الخسارة المقترحة لدينا تحقق أعلى درجة من الانفصال بين خصائص الوجوه العميقة المختلفة الهويات وتحقيق الدقة المتفوقة حاليًا على مجموعتي بيانات الاختبار الرئيسيتين للتعرف على الوجه: Labeled Faces in the Wild (LFW) و YouTube Faces (YTF). ومع ذلك، يجب الإشارة إلى أن الهدف الرئيسي لـ Git loss هو تحقيق أعلى درجة من الانفصال بين الخصائص العميقة لهويات مختلفة.