この記事は自分用のメモみたいなものです.
ほぼ DeepL 翻訳でお送りします.
間違いがあれば指摘していだだけると嬉しいです.
翻訳元
L2-constrained Softmax Loss for Discriminative Face Verification
Rajeev Ranjan, Carlos D. Castillo, Rama Chellappa
前: 無し
次: 【1 Introduction】
Abstract
訳文
近年, 深層畳み込みニューラルネットワーク (DCNN) を用いた顔照合システムの性能が大幅に向上している. 顔認証のための典型的なパイプラインは, ソフトマックス損失を用いて被写体分類のための深層ネットワークを訓練し, 最後の層の出力を特徴記述子として使用し, 顔画像のペアを与えられたコサイン類似度スコアを生成することを含む. ソフトマックス損失関数は, 正のペアでは類似度スコアが高く, 負のペアでは類似度スコアが低くなるように特徴量を最適化していないため, 性能にギャップが生じてしまう. 本論文では, 特徴記述子に L2 制約を加え, 固定半径の超球上に存在することを制限する. このモジュールは, 既存のディープラーニングフレームワークを用いて簡単に実装できる. 本研究では, この単純なステップを学習パイプラインに組み込むことで, 顔認証の性能が大幅に向上することを示す. 具体的には, IJB-A という難度の高いデータセットにおいて, 顔認証プロトコルの真偽判定率 0.0001, 真正判定率 0.909 を達成し, 最先端の結果を達成した. さらに, LFW データセットでは 99.78% の精度で最先端の性能を達成し, YTF データセットでは 96.08% の精度で競合する性能を達成した.
原文
In recent years, the performance of face verification systems has significantly improved using deep convolutional neural networks (DCNNs). A typical pipeline for face verification includes training a deep network for subject classification with softmax loss, using the penultimate layer output as the feature descriptor, and generating a cosine similarity score given a pair of face images. The softmax loss function does not optimize the features to have higher similarity score for positive pairs and lower similarity score for negative pairs, which leads to a performance gap. In this paper, we add an L2-constraint to the feature descriptors which restricts them to lie on a hypersphere of a fixed radius. This module can be easily implemented using existing deep learning frameworks. We show that integrating this simple step in the training pipeline significantly boosts the performance of face verification. Specifically, we achieve state-of-the-art results on the challenging IJB-A dataset, achieving True Accept Rate of 0.909 at False Accept Rate 0.0001 on the face verification protocol. Additionally, we achieve state-of-the-art performance on LFW dataset with an accuracy of 99.78%, and competing performance on YTF dataset with accuracy of 96.08%.