SFace : Perte de l’hypersphère contrainte par la sigmoïde pour une reconnaissance faciale robuste

La reconnaissance faciale profonde a connu un grand succès grâce aux bases de données d'entraînement à grande échelle et au développement rapide des fonctions de perte. Les algorithmes existants s'efforcent de réaliser une idée idéale : minimiser la distance intra-classe et maximiser la distance inter-classe. Cependant, ils peuvent négliger le fait qu'il existe également des images d'entraînement de faible qualité qui ne devraient pas être optimisées de manière aussi stricte. En tenant compte des imperfections des bases de données d'entraînement, nous proposons que les objectifs intra-classe et inter-classe puissent être optimisés de manière modérée pour atténuer le problème de surapprentissage, et nous introduisons une nouvelle fonction de perte appelée perte hypersphérique contrainte par la sigmoïde (SFace). Plus précisément, SFace impose des contraintes intra-classe et inter-classe sur une variété hypersphérique, contrôlées respectivement par deux fonctions de rééchelonnage du gradient sigmoïdal. Les courbes sigmoïdes rééchelonnent précisément les gradients intra-classe et inter-classe afin que les échantillons d'entraînement soient optimisés dans une certaine mesure. Ainsi, SFace peut mieux équilibrer la diminution des distances intra-classe pour les exemples propres tout en évitant le surapprentissage aux bruits d'étiquetage, contribuant ainsi à des modèles de reconnaissance faciale profonde plus robustes. De nombreuses expériences menées avec des modèles entraînés sur les bases de données CASIA-WebFace, VGGFace2 et MS-Celeb-1M, puis évalués sur plusieurs benchmarks de reconnaissance faciale tels que les bases de données LFW, MegaFace et IJB-C, ont démontré la supériorité de SFace.