초록
본 논문에서는 딥 페이스 검증을 위한 개념적으로 간단하고 기하학적으로 해석 가능한 목적 함수, 즉 추가 마진 소프트맥스(Additive Margin Softmax, AM-Softmax)를 제안합니다. 일반적으로 페이스 검증 작업은 메트릭 학습 문제로 볼 수 있으므로, 클래스 내 변동이 작고 클래스 간 차이가 큰 대규모 마진의 얼굴 특성을 학습하는 것이 좋은 성능을 달성하기 위해 매우 중요합니다. 최근에는 각도 마진을 곱셈 방식으로 통합하는 대규모 마진 소프트맥스(Large-margin Softmax)와 각도 소프트맥스(Angular Softmax)가 제안되었습니다. 본 연구에서는 직관적이며 기존 연구보다 더 해석 가능한 소프트맥스 손실에 대한 새로운 추가적인 각도 마진을 소개합니다. 또한, 논문에서 특성 정규화의 중요성에 대해 강조하고 논의합니다. 무엇보다도, LFW BLUFR 및 MegaFace 데이터셋에서 수행한 실험 결과는 동일한 네트워크 구조와 훈련 데이터셋을 사용할 때 현재 최신 방법론들보다 우리의 추가 마진 소프트맥스 손실이 일관되게 우수한 성능을 보임을 입증하였습니다. 우리의 코드는 https://github.com/happynear/AMSoftmax 에서 확인할 수 있습니다.