ElasticFace: خسارة الهامش المرن للتعرف على الوجه العميق

تلعب عملية تعلّم ميزات الوجه التمييزية دورًا رئيسيًا في بناء نماذج اعتراف بالوجه ذات أداء عالٍ. وقد اقترح الحلول الحديثة المتطورة في مجال اعتراف الوجه تضمين حدّ عقوبة ثابت على دالة الخسارة التصنيفية الشائعة، مثل خسارة سويفتمات (Softmax Loss)، ضمن الفضاء الفائق المُوحّد (normalized hypersphere)، بهدف تعزيز القدرة التمييزية لنماذج اعتراف الوجه، وذلك من خلال تقليل التباين الداخلي للطبقة (intra-class variation) وزيادة التباين بين الطبقات (inter-class variation). وتعتمد خسارات سويفتمات ذات حد عقوبة مُحَدَّدة، مثل ArcFace وCosFace، على افتراض أن المسافة الجيوديسية بين الهويات المختلفة وداخل نفس الهوية يمكن تعلّمها بشكل متساوٍ باستخدام حد عقوبة ثابت. لكن هذا الهدف التعلّمي لا يعكس الواقع بالنسبة للبيانات الحقيقية التي تتميز بتباين غير متسق بين الطبقات وداخل الطبقات، ما قد يحدّ من القدرة التمييزية وقابلية التعميم لنماذج اعتراف الوجه. في هذه الورقة، نخفّض قيد الحد العقوبة الثابت من خلال اقتراح خسارة حد عقوبة مرن (ElasticFace)، التي تتيح مرونة في عملية فصل الفئات. وتكمن الفكرة الأساسية في استخدام قيم حد عقوبة عشوائية مستمدة من توزيع طبيعي في كل تكرار تدريبي. ويهدف هذا إلى تمكين الحد الفاصل للقرارات من التمدد والانكماش، مما يوفر مساحة لتعلم مرن لفصل الفئات. ونُظهر تفوق خسارة ElasticFace على خسارات ArcFace وCosFace، باستخدام نفس التحويل الهندسي، على مجموعة واسعة من المعايير الشائعة. ومن منظور أوسع، فإن خسارة ElasticFace قد ساهمت في تطوير أداء اعتراف الوجه حسب أحدث المستويات على سبعة من أصل تسع معايير شائعة.