ArcFace: 딥 페이스 인식을 위한 가법 각도 마진 손실

최근 얼굴 인식 분야에서 인기 있는 연구 주제 중 하나는 클래스 간 구분력을 극대화하기 위해 소프트맥스 손실 함수에 마진을 도입하는 것입니다. 본 논문에서는 기하학적으로 명확한 해석이 가능하며 차별력이 크게 향상되는 Additive Angular Margin Loss (ArcFace)를 소개합니다. ArcFace는 대량의 라벨 노이즈에 민감하기 때문에, 우리는 각 클래스가 $K$개의 하위 중심(sub-centers)을 포함하고 학습 샘플이 $K$개의 양성 하위 중심 중 어느 하나에만 가까워질 필요가 있는 sub-center ArcFace를 제안합니다. Sub-center ArcFace는 대부분의 깨끗한 얼굴을 포함하는 한 개의 주요 하위 클래스와 어려운 또는 노이즈가 많은 얼굴을 포함하는 비주요 하위 클래스들을 촉진합니다. 이러한 자동적인 격리 기반으로, 우리는 실제 세계에서 발생하는 대량의 노이즈 환경에서도 원시 웹 얼굴 데이터를 자동으로 정화하여 성능을 향상시킵니다.또한 차별적 특징 임베딩 외에도 역 문제, 즉 특징 벡터를 얼굴 이미지로 매핑하는 문제도 탐구하였습니다. 추가적인 생성자나 판별자를 학습하지 않고,事前训练好的 ArcFace 모델은 네트워크 그래디언트와 배치 정규화(Batch Normalization, BN) 사전 정보(priors)만 사용하여 학습 데이터 내외의 주체(subjects) 모두에게 신원(identity)을 보존한 얼굴 이미지를 생성할 수 있습니다. 광범위한 실험 결과는 ArcFace가 차별적 특징 임베딩을 강화할 땅에 생성적 얼굴 합성을 강화한다는 것을 입증하였습니다.注释：- "事前训练好的" 是中文，应该是 "事前训练好的"（预训练的）。在韩文中应为 "事前 훈련된"（예훈련된）。- 最后一句中的 "땅에" 应该是 "데"。修正后的翻译如下：최근 얼굴 인식 분야에서 인기 있는 연구 주제 중 하나는 클래스 간 구분력을 극대화하기 위해 소프트맥스 손실 함수에 마진을 도입하는 것입니다. 본 논문에서는 기하학적으로 명확한 해석이 가능하며 차별력이 크게 향상되는 Additive Angular Margin Loss (ArcFace)를 소개합니다. ArcFace는 대량의 라벨 노이즈에 민감하기 때문에, 우리는 각 클래스가 $K$개의 하위 중심(sub-centers)을 포함하고 학습 샘플이 $K$개의 양성 하위 중심 중 어느 하나에만 가까워질 필요가 있는 sub-center ArcFace를 제안합니다. Sub-center ArcFace는 대부분의 깨끗한 얼굴을 포함하는 한 개의 주요 하위 클래스와 어려운 또는 노이즈가 많은 얼굴을 포함하는 비주요 하위 클래스들을 촉진합니다. 이러한 자동적인 격리 기반으로, 우리는 실제 세계에서 발생하는 대량의 노이즈 환경에서도 원시 웹 얼굴 데이터를 자동으로 정화하여 성능을 향상시킵니다.또한 차별적 특징 임베딩 외에도 역 문제, 즉 특징 벡터를 얼굴 이미지로 매핑하는 문제도 탐구하였습니다. 추가적인 생성자나 판별자를 학습하지 않고, 예훈련된 ArcFace 모델은 네트워크 그래디언트와 배치 정규화(Batch Normalization, BN) 사전 정보(priors)만 사용하여 학습 데이터 내외의 주체(subjects) 모두에게 신원(identity)을 보존한 얼굴 이미지를 생성할 수 있습니다. 광범위한 실험 결과는 ArcFace가 차별적 특징 임베딩을 강화할 뿐 아니라 생성적 얼굴 합성을 강화한다는 것을 입증하였습니다.