Perte Softmax Guidée par les Vecteurs de Support pour la Reconnaissance Faciale

La reconnaissance faciale a connu des progrès significatifs grâce aux avancées des réseaux de neurones convolutifs profonds (CNNs), dont le défi central est la discrimination des caractéristiques. Pour y remédier, un groupe cherche à exploiter des stratégies basées sur l'exploration (\textit{par exemple}, l'exploration d'exemples difficiles et la perte focale) afin de se concentrer sur les exemples informatifs. L'autre groupe s'efforce de concevoir des fonctions de perte basées sur les marges (\textit{par exemple}, les marges angulaires, additives et angulaires additives) pour augmenter la marge des caractéristiques du point de vue de la classe vérité-terrain. Les deux approches ont été largement validées pour apprendre des caractéristiques discriminantes. Cependant, elles souffrent soit de l'ambiguïté des exemples difficiles, soit du manque de puissance discriminante des autres classes. Dans cet article, nous concevons une nouvelle fonction de perte, appelée perte softmax guidée par les vecteurs supports (SV-Softmax), qui met en évidence de manière adaptative les points mal classés (vecteurs supports) pour guider l'apprentissage des caractéristiques discriminantes. Ainsi, la perte SV-Softmax développée est capable d'éliminer l'ambiguïté des exemples difficiles tout en absorbant la puissance discriminante des autres classes, ce qui conduit à des caractéristiques plus discriminantes. Selon nos connaissances, c'est la première tentative d'intégrer les avantages des pertes basées sur l'exploration et les pertes basées sur les marges dans un seul cadre. Les résultats expérimentaux sur plusieurs benchmarks ont démontré l'efficacité de notre approche par rapport aux méthodes d'avant-garde.