STAR 손실: 얼굴 랜드마크 검출에서 의미 모호성 감소

최근, 딥 러닝 기반 얼굴 랜드마크 검출이 상당한 개선을 이루어냈습니다. 그러나 의미상의 모호성 문제로 인해 검출 성능이 저하되고 있습니다. 구체적으로, 의미상의 모호성은 일관되지 않은 주석을 초래하고, 이는 모델의 수렴에 부정적인 영향을 미쳐 정확도를 낮추고 예측의 안정성을 해치게 됩니다. 이러한 문제를 해결하기 위해, 우리는 의미상의 모호성을 활용하여 Self-adapTive Ambiguity Reduction (STAR) 손실 함수를 제안합니다. 우리는 의미상의 모호성이 예측 분포의 비등방성을 초래한다는 것을 발견하였으며, 이를 통해 예측 분포를 사용하여 의미상의 모호성을 표현할 수 있음을 깨달았습니다. 이를 바탕으로, 우리는 예측 분포의 비등방성을 측정하는 STAR 손실 함수를 설계하였습니다. 표준 회귀 손실 함수와 비교할 때, STAR 손실 함수는 예측 분포가 비등방적일 경우 작은 값을 가지도록 유도되며, 이로 인해 의미상의 모호성의 영향을 적응적으로 완화시킵니다. 또한, 우리는 분포의 비정상적인 변화와 모델의 조기 수렴을 피할 수 있는 두 가지 고유값 제약 방법을 제안하였습니다. 마지막으로, 포괄적인 실험 결과는 STAR 손실 함수가 COFW, 300W, WFLW 세 벤치마크에서 최신 기술보다 우수한 성능을 보임을 입증하였으며, 계산량 증가는 거의 없습니다. 코드는 https://github.com/ZhenglinZhou/STAR 에서 확인할 수 있습니다.