要約
本稿では、深層顔認証のための概念的に単純で幾何学的に解釈可能な目的関数、すなわち加法的マージンソフトマックス（AM-Softmax）を提案する。一般的に、顔認証タスクは計量学習問題として捉えることができ、クラス内の変動が小さくクラス間の差異が大きい大マージン顔特徴を学習することが高性能を達成するために極めて重要である。最近では、乗法的な方法で角度マージンを組み込んだ大マージンソフトマックスと角度ソフトマックスが提案されている。本研究では、ソフトマックス損失に対する新たな加法的角度マージンを導入し、既存の手法よりも直感的で解釈性が高いことを示す。また、論文中では特徴量正規化の重要性について強調し、議論している。特に重要な点は、LFW BLUFRおよびMegaFaceでの実験結果が示すように、同じネットワークアーキテクチャと訓練データセットを使用した場合でも、我々の加法的マージンソフトマックス損失が現行の最先端手法よりも一貫して優れた性能を発揮することである。また、我々のコードはhttps://github.com/happynear/AMSoftmax にて公開されている。