표정 인식에서 차별적 특징 학습을 위한 섬 손실

최근 몇 년 동안, 컨벌루셔널 신경망(CNNs)은 얼굴 표정 인식 분야에서 유망한 결과를 보여주었습니다. 그러나 실제 환경에서는 미세한 얼굴 외관 변화, 머리 자세의 변동, 조명 변화 및 가림 현상 등으로 인해 성능이 크게 저하되는 문제가 있습니다.본 논문에서는 깊게 학습된 특징의 구분력을 향상시키기 위해 새로운 섬 손실(island loss)을 제안합니다. 특히, 이 섬 손실(IL)은 클래스 내 변동을 줄이는 동시에 클래스 간 차이를 확대하도록 설계되었습니다. 네 개의 벤치마크 표정 데이터베이스에서 수행된 실험 결과는 제안된 섬 손실을 사용한 CNN(IL-CNN)이 전통적인 소프트맥스 손실이나 중심 손실을 사용하는 기준 CNN 모델들보다 우수한 성능을 보임을 입증하였습니다. 또한, IL-CNN은 얼굴 표정 인식 분야에서 최신 방법들과 비교하여 유사하거나 더 나은 성능을 달성하였습니다.