얼굴 인식을 위한 서포트 벡터 가이드 소프트맥스 손실 함수

깊은 합성곱 신경망(CNNs)의 발전으로 얼굴 인식 기술이 상당한 진보를 이루었습니다. 이 중 가장 중요한 도전 과제는 특징 구분(feature discrimination)입니다. 이를 해결하기 위해 한 그룹은 유익한 예제에 집중하기 위한 채굴 기반 전략(예: 어려운 예제 채굴(hard example mining) 및 초점 손실(focal loss))을 활용하려고 합니다. 다른 그룹은 실제 클래스의 관점에서 특징 간의 마진을 증가시키기 위한 마진 기반 손실 함수(예: 각도, 추가 및 추가 각도 마진(angular, additive and additive angular margins)) 설계에 주력하고 있습니다. 두 접근 방식 모두 차별적인 특징 학습에 효과적임이 입증되었습니다. 그러나 한편으로는 어려운 예제의 모호성이나 다른 클래스들의 차별력 부족 문제를 겪고 있습니다.본 논문에서는 이러한 문제를 해결하기 위해 새로운 손실 함수인 서포트 벡터 가이드 소프트맥스 손실(SV-Softmax)을 설계하였습니다. 이 손실 함수는 잘못 분류된 점(서포트 벡터)을 적응적으로 강조하여 차별적인 특징 학습을 안내합니다. 따라서 개발된 SV-Softmax 손실은 어려운 예제의 모호성을 제거하면서 동시에 다른 클래스들의 차별력을 흡수할 수 있으며, 이로 인해 더욱 차별적인 특징을 생성할 수 있습니다. 최선의 지식으로 판단할 때, 본 연구는 채굴 기반과 마진 기반 손실의 장점을 하나의 프레임워크로 통합하는 첫 번째 시도입니다. 여러 벤치마크에서 수행된 실험 결과들은 우리의 접근 방식이 최신 연구들보다 우수함을 입증하였습니다.