要約
近年、深層畳み込みニューラルネットワーク（DCNN）を用いることで顔認証システムの性能が大幅に向上しています。一般的な顔認証のパイプラインには、softmax損失関数を使用して被験者分類のために深層ネットワークを学習し、最終層の一つ前の層の出力を特徴記述子として利用し、2つの顔画像からコサイン類似度スコアを生成するプロセスが含まれています。しかし、softmax損失関数は正例ペアに対して高い類似度スコア、負例ペアに対して低い類似度スコアを持つように特徴量を最適化しません。これにより性能ギャップが生じます。本論文では、特徴記述子にL2制約を追加することで、それらが固定半径の超球面上にあることを保証します。このモジュールは既存の深層学習フレームワークを使用して簡単に実装できます。我々は、この単純なステップを学習パイプラインに統合することで顔認証の性能が大幅に向上することを示します。特に、挑戦的なIJB-Aデータセットにおいて顔認証プロトコルで偽陽性率0.0001での真陽性率0.909という最先端の結果を達成しました。さらに、LFWデータセットでは99.78%の精度で最先端の性能を達成し、YTFデータセットでも96.08%の精度で競争力のある性能を達成しました。