Perte de Softmax avec contrainte L2 pour la vérification discriminative des visages

Ces dernières années, les performances des systèmes de vérification faciale ont considérablement progressé grâce à l'utilisation de réseaux neuronaux convolutifs profonds (DCNNs). Un pipeline typique pour la vérification faciale comprend l'entraînement d'un réseau profond pour la classification des sujets avec une perte softmax, l'utilisation de la sortie de la couche antépénultième comme descripteur de caractéristiques, et la génération d'un score de similarité cosinus pour une paire d'images faciales. La fonction de perte softmax ne favorise pas l'optimisation des caractéristiques pour qu'elles aient un score de similarité plus élevé pour les paires positives et un score de similarité plus bas pour les paires négatives, ce qui entraîne un écart de performance. Dans cet article, nous ajoutons une contrainte L2 aux descripteurs de caractéristiques, ce qui les restreint à se situer sur une hypersphère d'un rayon fixe. Ce module peut être facilement mis en œuvre à l'aide des frameworks d'apprentissage profond existants. Nous montrons que l'intégration de cette étape simple dans le pipeline d'entraînement améliore considérablement les performances de la vérification faciale. Plus précisément, nous obtenons des résultats à l'état de l'art sur le jeu de données IJB-A difficile, atteignant un taux d'acceptation vrai (True Accept Rate) de 0,909 pour un taux d'acceptation faux (False Accept Rate) de 0,0001 selon le protocole de vérification faciale. De plus, nous obtenons des performances à l'état de l'art sur le jeu de données LFW avec une précision de 99,78 %, et des performances concurrentielles sur le jeu de données YTF avec une précision de 96,08 %.