خسارة سوفتماكس الموجهة بدالة الدعم لتمييز الوجوه

لقد شهدت تقنية التعرف على الوجه تقدمًا كبيرًا بفضل تطور شبكات العصبونات العميقة المُطَبَّقة (الشبكات العصبية التلافيفية العميقة - CNNs)، والتي تعتبر التحدي الرئيسي فيها هو تمييز الخصائص. لحل هذه المشكلة، هناك مجموعة تحاول الاستفادة من استراتيجيات تعتمد على التنقيب (\textit{مثل}، التنقيب عن الأمثل الصعب والخسارة البؤرية) للتركيز على الأمثلة المعلوماتية. بينما تكرس المجموعة الأخرى جهودها لتصميم دوال خسارة تعتمد على الهامش (\textit{مثل}، الهوامش الزاوية، الإضافية والزاوية الإضافية) لزيادة الهامش بين الخصائص من وجهة نظر الفئة الحقيقية. وقد أثبت كلاهما فعاليته في تعلم الخصائص المميزة. ومع ذلك، يعاني الأول من الغموض المرتبط بالأمثلة الصعبة، بينما يعاني الثاني من نقص قوة التمييز للأصناف الأخرى. في هذا البحث، صممنا دالة خسارة جديدة تُسمى دالة النقطة الداعمة الموجهة للسوفتمكس (SV-Softmax)، والتي تعمل بشكل متكيف على التركيز على النقاط المصنفة بشكل غير صحيح (النقاط الداعمة) لتوجيه عملية تعلم الخصائص المميزة. وبالتالي,则开发的 SV-Softmax 损失能够消除困难样本的模糊性并吸收其他类别的区分能力,从而产生更具区分性的特征。据我们所知,这是首次尝试将基于挖掘和基于边距的损失的优点整合到一个框架中。在多个基准测试上的实验结果证明了我们的方法相对于现有最先进技术的有效性。为了确保译文更加自然流畅,我将最后一段稍作调整如下:وبالتالي، فإن الدالة الجديدة SV-Softmax قادرة على القضاء على الغموض المرتبط بالأمثلة الصعبة واستيعاب قوة التمييز للأصناف الأخرى، مما يؤدي إلى إنتاج خصائص أكثر تمييزًا. حسب علمنا، تعد هذه أول محاولة لدمج مزايا الخسائر المستندة إلى التنقيب والهامش في إطار واحد. وقد أظهرت نتائج التجارب على عدة مقاييس فعالية نهجنا مقارنة بأحدث التقنيات المتاحة.