ArcFace: 深層顔認識のための加法的角マージン損失

最近、顔認識の分野で人気のある研究の一つは、確立されたソフトマックス損失関数に余白を導入してクラス間の分離度を最大化することである。本論文ではまず、アディティブ・アンギュラ・マージン損失（Additive Angular Margin Loss、ArcFace）を紹介する。これは明確な幾何学的な解釈を持ち、識別能力を大幅に向上させる。しかし、ArcFaceは大量のラベルノイズに対して脆弱であるため、さらにサブセンターアークフェイス（sub-center ArcFace）を提案する。この方法では各クラスが$K$個のサブセンターを持ち、訓練サンプルは$K$個の正のサブセンターのいずれかに近づくだけでよい。サブセンターアークフェイスは、大部分のクリーンな顔を含む主要なサブクラスと、難しいまたはノイジーな顔を含む非主要なサブクラスを促進する。この自己駆動型隔離に基づいて、我々は大量の実世界ノイズ下で自動的にウェブ上の生データからクリーンな顔画像を選別し、性能向上を図る。識別的特徴埋め込みだけでなく、逆問題である特徴ベクトルから顔画像への射影も探求する。追加でジェネレータやディスクリミネータを訓練せずに、事前学習済みのArcFaceモデルを使用することで、ネットワーク勾配とバッチ正規化（Batch Normalization, BN）プリオールを利用し、訓練データ内および外の被験者に対する同一性保持型顔画像生成が可能となる。広範な実験により、ArcFaceが識別的特徴埋め込みを強化するとともに生成的な顔合成も強化することが示されている。