SFace: Sigmoid制約超球面損失を用いた堅牢な顔認識

深層顔認識は、大規模な訓練データベースと急速に発展する損失関数のおかげで大きな成功を収めています。既存のアルゴリズムは、クラス内距離を最小化し、クラス間距離を最大化するという理想的な目標の実現に専念しています。しかし、これらのアルゴリズムは、訓練データベースに低品質の訓練画像も含まれていることを無視している可能性があります。これらの低品質の画像は厳密な最適化の対象とはならないべきです。訓練データベースの不完全性を考慮に入れ、クラス内およびクラス間の目的が中程度に最適化される方法を提案します。これにより過学習問題が緩和されると考えています。さらに、新しい損失関数であるシグモイド制約超球面損失（SFace）を提案します。具体的には、SFaceは超球面多様体上でクラス内およびクラス間の制約を課し、それぞれ2つのシグモイド勾配再スケーリング関数によって制御されます。シグモイド曲線はクラス内およびクラス間の勾配を正確に再スケーリングすることで、訓練サンプルが一定程度まで最適化されるようにします。したがって、SFaceはクリーンな例におけるクラス内距離の減少とラベルノイズへの過学習防止とのバランスをよりよく取り、より堅牢な深層顔認識モデルへの貢献が期待できます。CASIA-WebFace, VGGFace2, および MS-Celeb-1M データベースで訓練されたモデルの広範な実験を行い、LFW, MegaFace, および IJB-C データベースなどの複数の顔認識ベンチマークで評価した結果、SFace の優位性が示されました。