초록
저품질 얼굴 데이터셋에서의 인식은 얼굴 특징이 가려지고 품질이 저하되기 때문에 도전적이다. 마진 기반 손실 함수의 발전은 임베딩 공간 내 얼굴의 구별 능력을 향상시켰다. 또한 이전 연구들은 잘못 분류된(어려운) 예시에 더 큰 중요도를 부여하기 위해 적응형 손실 함수의 효과를 탐구해왔다. 본 연구에서는 손실 함수의 적응성에 대해 또 다른 측면, 즉 이미지 품질을 도입한다. 우리는 잘못 분류된 샘플에 초점을 맞추는 전략이 해당 샘플의 이미지 품질에 따라 조정되어야 한다고 주장한다. 구체적으로, 쉬운 샘플과 어려운 샘플의 상대적 중요도는 각 샘플의 이미지 품질에 기반해야 한다. 우리는 샘플의 어려움 수준에 따라 이미지 품질을 고려하여 강조하는 새로운 손실 함수를 제안한다. 본 방법은 특징 노름을 통해 이미지 품질을 근사함으로써 적응형 마진 함수 형태로 구현한다. 광범위한 실험을 통해 AdaFace가 IJB-B, IJB-C, IJB-S 및 TinyFace 네 가지 데이터셋에서 최신 기술(SoTA)보다 더 뛰어난 얼굴 인식 성능을 달성함을 확인하였다. 코드와 모델은 https://github.com/mk-minchul/AdaFace 에 공개되어 있다.