SymFace: Zusätzlicher Gesichtssymmetrieverlust für tiefes Gesichtserkennung

In den letzten zehn Jahren hat es eine kontinuierliche Weiterentwicklung bei der Verbesserung von Gesichtserkennungsalgorithmen unter Einsatz fortgeschrittener maschineller Lernmethoden gegeben. Die Verlustfunktion spielt dabei eine entscheidende Rolle bei der Lösung von Gesichtsverifizierungsproblemen und wirkt bahnbrechend. Diese Verlustfunktionen haben sich hauptsächlich mit den Variationen innerhalb der Klasse (intra-class) oder der Trennung zwischen den Klassen (inter-class) beschäftigt. In dieser Arbeit wird das natürliche Phänomen der Gesichtssymmetrie im Kontext der Gesichtsverifizierung untersucht. Die Symmetrie zwischen linkem und rechtem Gesichtshälfte wird in den letzten Jahrzehnten in zahlreichen Forschungsbereichen weit verbreitet genutzt. In dieser Arbeit wird dieser einfache Ansatz gezielt eingesetzt, indem das Gesichtsbild vertikal in zwei Hälften geteilt wird. Unter der Annahme, dass das natürliche Phänomen der Gesichtssymmetrie die Methode der Gesichtsverifizierung verbessern kann, vermuten wir, dass die beiden Ausgabeverkettungsvektoren der geteilten Gesichtshälften im Ausgabeverkettungsraum eng beieinander liegen müssen. Inspiriert durch diesen Ansatz bestrafen wir das Netzwerk aufgrund der Differenz der Verkettungswerte symmetrischer Gesichtshälften. Die symmetrische Verlustfunktion hat das Potenzial, geringfügige Asymmetrien, die durch Mimik oder Beleuchtungsbedingungen verursacht werden, zu minimieren. Dadurch wird die inter-klass-Variabilität signifikant erhöht und führt zu zuverlässigeren Gesichtsverkettungen. Diese Verlustfunktion ermöglicht es jedem Netzwerk, seine Baseline-Leistung bei allen bestehenden Netzwerkarchitekturen und -konfigurationen zu übertreffen und ermöglicht es uns, state-of-the-art (SoTA)-Ergebnisse zu erzielen.