要約
畳み込みニューラルネットワーク（CNN）は、顔認識や顔認証などのコンピュータビジョンタスクで広く使用されており、差別的な深層特徴を捉える能力により最先端の結果を達成しています。従来、CNNは分類損失を罰則化するためにソフトマックスを監督信号として使用してきました。深層特徴の差別能力をさらに向上させるために、我々はソフトマックスと中心損失関数を利用した新しい結合監督信号であるGit損失を導入します。我々の損失関数の目的は、クラス内の変動を最小化するとともに、クラス間の距離を最大化することです。このような深層特徴の最小化と最大化は、顔認識タスクにとって理想的と考えられています。我々は2つの代表的な顔認識ベンチマークデータセットで実験を行い、提案した損失関数が異なるアイデンティティ間の深層顔特徴の最大分離性を達成し、2つの主要な顔認識ベンチマークデータセット（Labeled Faces in the Wild (LFW) および YouTube Faces (YTF)）において最先端の精度を達成することを示しました。ただし、Git損失の主な目的は、異なるアイデンティティ間の深層特徴の最大分離性を達成することであることに注意が必要です。