CurricularFace: 깊이 있는 얼굴 인식을 위한 적응형 커리큘럼 학습 손실

얼굴 인식 분야에서 주목받는 새로운 주제로, 마진 기반 손실 함수를 설계함으로써 서로 다른 클래스 간의 특징 마진을 증가시켜 판별력을 향상시킬 수 있다. 최근에는 오류 분류된 샘플에 주목하는 마이닝 기반 전략이 도입되어 유망한 성과를 거두고 있다. 그러나 기존의 방법들은 전체 학습 과정 동안 샘플의 중요도를 명시적으로 고려하지 않아 어려운 샘플이 충분히 활용되지 못하거나, 초기 학습 단계부터 반경미/어려운 샘플의 영향을 명시적으로 강조함으로써 수렴 문제를 야기할 수 있다. 본 연구에서는 커리큘럼 학습의 개념을 손실 함수에 통합하여, 딥 얼굴 인식을 위한 새로운 학습 전략을 제안한다. 이는 초기 학습 단계에서는 쉬운 샘플에 주목하고, 후기 단계에서는 어려운 샘플에 집중하는 방식으로, 학습 과정의 각 단계에서 쉬운 샘플과 어려운 샘플의 상대적 중요도를 적응적으로 조절한다. 각 단계에서 샘플의 난이도에 따라 각각 다른 중요도를 부여함으로써, 학습의 효율성과 성능을 극대화한다. 주요 벤치마크에서 실시한 광범위한 실험 결과를 통해 제안한 CurricularFace가 최신 기술 대비 뛰어난 성능을 보임을 입증하였다.