ElasticFace: 깊이 있는 얼굴 인식을 위한 탄성 마진 손실

차별성 있는 얼굴 특징을 학습하는 것은 고성능 얼굴 인식 모델을 구축하는 데 핵심적인 역할을 한다. 최근의 최신 얼굴 인식 기법들은 일반적으로 사용되는 분류 손실 함수인 소프트맥스 손실(Softmax Loss)에 정규화된 초구면(normalized hypersphere)에서 고정된 페널티 마진(fixed penalty margin)을 도입함으로써, 클래스 내 변동성을 최소화하고 클래스 간 변동성을 최대화함으로써 얼굴 인식 모델의 차별성을 강화하고자 했다. 아크페이스(ArcFace) 및 코스페이스(CosFace)와 같은 마진 페널티 소프트맥스 손실은 서로 다른 정체성 간 및 내부의 기하학적 거리(geodesic distance)가 고정된 페널티 마진을 통해 동일하게 학습될 수 있다고 가정한다. 그러나 이러한 가정은 클래스 간 및 클래스 내 변동성이 일관되지 않은 실제 데이터에 대해서는 현실적이지 않으며, 이는 얼굴 인식 모델의 차별성과 일반화 능력에 제한을 줄 수 있다. 본 논문에서는 이러한 고정된 페널티 마진 제약을 완화하기 위해, 유연한 마진을 허용하는 탄성 페널티 마진 손실(Elastic Penalty Margin Loss, ElasticFace)을 제안한다. 이는 클래스 간 분리성 학습을 위한 유연성을 제공하는 것을 목표로 한다. 주요 아이디어는 각 학습 반복(iteration)에서 정규 분포로부터 무작위로 마진 값을 추출하여 사용하는 것이다. 이를 통해 결정 경계가 적절한 공간을 확보하고, 필요에 따라 확장하거나 수축함으로써 더 유연한 클래스 분리성 학습이 가능하도록 한다. 다양한 주류 벤치마크에서 동일한 기하학적 변환을 사용하여 실험한 결과, 본 연구에서 제안한 ElasticFace 손실이 ArcFace 및 CosFace 손실보다 우수함을 입증하였다. 보다 포괄적인 관점에서 볼 때, ElasticFace는 전체 9개의 주요 벤치마크 중 7개에서 최신 기술 수준의 얼굴 인식 성능을 개선하였다.