초록
최근 몇 년 동안, 깊은 합성곱 신경망(DCNN)을 사용하여 얼굴 인증 시스템의 성능이 크게 향상되었습니다. 일반적인 얼굴 인증 프로세스는 소프트맥스 손실 함수를 사용한 주제 분류를 위한 깊은 네트워크 학습, 마지막 직전 층의 출력을 특징 설명자로 사용하고, 두 개의 얼굴 이미지 쌍에 대해 코사인 유사도 점수를 생성하는 단계를 포함합니다. 소프트맥스 손실 함수는 긍정적인 쌍에 대해 더 높은 유사도 점수와 부정적인 쌍에 대해 더 낮은 유사도 점수를 최적화하지 않으므로, 이로 인해 성능 차이가 발생합니다. 본 논문에서는 특징 설명자에 L2-제약(L2-constraint)을 추가하여 고정된 반지름의 초구면(hypersphere) 위에 존재하도록 제한하였습니다. 이 모듈은 기존의 딥러닝 프레임워크를 사용하여 쉽게 구현할 수 있습니다. 우리는 이 간단한 단계를 학습 프로세스에 통합함으로써 얼굴 인증의 성능이 크게 향상됨을 보였습니다. 특히, 어려운 IJB-A 데이터셋에서 얼굴 인증 프로토콜에서 거짓 양성률(False Accept Rate) 0.0001일 때 진짜 양성률(True Accept Rate) 0.909를 달성하였습니다. 또한, LFW 데이터셋에서는 정확도 99.78%로 최고 수준의 성능을 달성하였으며, YTF 데이터셋에서도 정확도 96.08%로 경쟁력 있는 성능을 보였습니다.