DiscFace: 깊이 있는 얼굴 인식을 위한 최소 차이 학습

소프트맥스 기반 학습 방법은 대규모 얼굴 인식 과제에서 최첨단 성능을 보여왔다. 본 논문에서는 소프트맥스 기반 접근법에 중요한 문제점을 발견하였다. 즉, 학습 단계에서 동일한 클래스 가중치 주변의 샘플 특징들은 방향이 서로 다름에도 불구하고 유사하게 페널티를 받는다는 점이다. 이러한 방향적 차이, 즉 방향 불일치는 평가 단계에서 성능 저하를 초래한다. 이 문제를 완화하기 위해, 단일 학습 가능한 기저를 활용하여 클래스 내 샘플 특징의 방향이 최적 방향으로 정렬되도록 강제하는 새로운 학습 방식인 최소 불일치 학습(minimum discrepancy learning)을 제안한다. 또한, 단일 학습 가능한 기저는 샘플 특징에서所谓的 클래스 불변 벡터(class-invariant vectors)를 효과적으로 분리할 수 있도록 하여, 클래스 불균형 데이터셋 하에서의 학습에 유리하게 기여한다.