SFace: Sigmoid 제약 하이퍼스피어 손실을 이용한 강건한 얼굴 인식

깊은 얼굴 인식이 대규모 훈련 데이터베이스와 빠르게 발전하는 손실 함수 덕분에 큰 성공을 거두었습니다. 기존 알고리즘들은 이상적인 목표를 달성하기 위해 노력합니다: 클래스 내 거리를 최소화하고 클래스 간 거리를 최대화하는 것입니다. 그러나 이러한 알고리즘들은 훈련 이미지 중 저품질 이미지도 엄격한 방식으로 최적화되어서는 안 된다는 점을 간과할 수 있습니다. 훈련 데이터베이스의 불완전성을 고려하여, 우리는 클래스 내 및 클래스 간 목적함수를 온건한 방식으로 최적화하여 과적합 문제를 완화할 수 있다고 제안합니다. 이를 바탕으로 새로운 손실 함수인 시그모이드 제약 하이퍼스피어 손실(SFace)을 제안합니다. 구체적으로, SFace는 하이퍼스피어 다양체에서 클래스 내 및 클래스 간 제약 조건을 부과하며, 각각 두 개의 시그모이드 그래디언트 재조정 함수로 제어됩니다. 시그모이드 곡선은 정확하게 클래스 내 및 클래스 간 그래디언트를 재조정하여 훈련 샘플들이 일정 정도로 최적화될 수 있도록 합니다. 따라서 SFace는 깨끗한 예제의 클래스 내 거리를 줄이는 것과 라벨 노이즈에 대한 과적합을 방지하는 것 사이에서 더 나은 균형을 이룰 수 있으며, 이는 더욱 강건한 깊은 얼굴 인식 모델을 제공합니다. CASIA-WebFace, VGGFace2, MS-Celeb-1M 데이터베이스에서 훈련된 모델들의 광범위한 실험과 LFW, MegaFace, IJB-C 데이터베이스 등 여러 얼굴 인식 벤치마크에서의 평가 결과가 SFace의 우수성을 입증하였습니다.