CurricularFace: 딥 얼굴 인식을 위한 적응형 커리큘럼 학습 손실

얼굴 인식의 새로운 주제로서, 마진 기반 손실 함수를 설계하면 서로 다른 클래스 간의 특징 마진을 증가시켜 판별력을 향상시킬 수 있습니다. 최근에는 잘못 분류된 샘플을 강조하기 위해 채굴 기반 전략이 채택되어 유망한 결과를 얻었습니다. 그러나 전체 훈련 과정 동안 이전 방법들은 샘플의 중요성을 명시적으로 강조하지 않아서 어려운 샘플이 충분히 활용되지 않거나, 초기 훈련 단계에서도 반-hard/hard 샘플의 효과를 명시적으로 강조하여 수렴 문제를 일으킬 수 있습니다. 본 연구에서는 손실 함수에 커리큘럼 학습의 아이디어를 통합하여 딥 얼굴 인식에 대한 새로운 훈련 전략을 달성하는 혁신적인 적응형 커리큘럼 학습 손실(CurricularFace)을 제안합니다. 이는 주로 초기 훈련 단계에서는 쉬운 샘플을, 후반 단계에서는 어려운 샘플을 다룹니다. 구체적으로, 우리 CurricularFace는 다양한 훈련 단계에서 쉬운 샘플과 어려운 샘플의 상대적 중요성을 적응적으로 조정합니다. 각 단계에서는 해당하는 난이도에 따라 다른 샘플에 서로 다른 중요도가 부여됩니다. 인기 있는 벤치마크에서 폭넓은 실험 결과는 우리 CurricularFace가 최신 기술 경쟁자들에 비해 우수함을 입증합니다.