CosFace: 딥 페이스 인식을 위한 큰 마진 코사인 손실

깊은 합성곱 신경망(CNNs)의 발전 덕분에 얼굴 인식이 상당한 진보를 이루었습니다. 얼굴 인식의 주요 과제는 얼굴 검증과 식별을 포함하며, 이는 얼굴 특징 차별화를 포함합니다. 그러나 전통적인 딥 CNNs의 소프트맥스 손실 함수는 일반적으로 차별화 능력이 부족합니다. 이러한 문제를 해결하기 위해 최근에는 센터 손실, 큰 마진 소프트맥스 손실, 각도 소프트맥스 손실 등의 여러 손실 함수가 제안되었습니다. 이러한 모든 개선된 손실 함수들은 동일한 아이디어를 공유하고 있습니다: 클래스 간 분산을 최대화하고 클래스 내 분산을 최소화하는 것입니다.본 논문에서는 이 아이디어를 다른 관점에서 실현하기 위해 새로운 손실 함수인 큰 마진 코사인 손실(Large Margin Cosine Loss, LMCL)을 제안합니다. 구체적으로, 특징 벡터와 가중치 벡터 모두 $L_2$ 정규화를 통해 반지름 변동성을 제거함으로써 소프트맥스 손실을 코사인 손실로 재구성하였습니다. 이를 바탕으로 각도 공간에서 결정 마진을 더욱 확대하기 위해 코사인 마진 항을 도입하였습니다. 결과적으로, 정규화와 코사인 결정 마진 최대화 덕분에 클래스 내 분산은 최소화되고 클래스 간 분산은 최대화되었습니다. 우리는 LMCL로 훈련된 모델을 CosFace라고 지칭합니다.MegaFace Challenge, Youtube Faces(YTF), Labeled Face in the Wild(LFW) 등 가장 유명한 공개 얼굴 인식 데이터셋에서 광범위한 실험 평가를 수행하였습니다. 우리는 이러한 벤치마크에서 최고 수준의 성능을 달성하였으며, 이는 우리의 제안 방식의 효과성을 확인해주고 있습니다.