AdaFace : marge adaptative à la qualité pour la reconnaissance faciale

La reconnaissance faciale sur des jeux de données de faible qualité est un défi majeur, car les attributs faciaux sont souvent masqués ou dégradés. Les progrès récents dans les fonctions de perte basées sur la marge ont permis d’améliorer la discriminabilité des visages dans l’espace d’embedding. Par ailleurs, des travaux antérieurs ont exploré l’effet des pertes adaptatives, qui accordent une importance accrue aux exemples mal classés (appelés « difficiles »). Dans ce travail, nous introduisons une nouvelle dimension d’adaptativité dans la fonction de perte : la qualité de l’image. Nous proposons que la stratégie d’accentuation des exemples mal classés doive être ajustée en fonction de la qualité de l’image. Plus précisément, l’importance relative des exemples faciles ou difficiles doit être déterminée en fonction de la qualité de l’image associée. Nous proposons une nouvelle fonction de perte qui adapte l’accentuation des exemples selon leur difficulté, en tenant compte de leur qualité d’image. Notre méthode réalise cette adaptation grâce à une fonction de marge adaptative, en approximant la qualité de l’image à l’aide des normes des caractéristiques. Des expériences étendues montrent que notre approche, nommée AdaFace, améliore significativement les performances de reconnaissance faciale par rapport aux méthodes de l’état de l’art (SoTA) sur quatre jeux de données (IJB-B, IJB-C, IJB-S et TinyFace). Le code source et les modèles sont disponibles à l’adresse suivante : https://github.com/mk-minchul/AdaFace.