濫読した論文の概要をメモしています。
斜め読みした情報を記載しているため、誤りを含んでいる可能性があります。
誤りを見つけていただいた場合は修正いたしますのでコメント等いただければ幸いです。
メタ情報
| 論文・学会誌 | CVPR2019 |
| 発行日 | 2018年1月23日 |
| リンク | https://arxiv.org/pdf/1801.07698.pdf |
要約
- 超球面空間で正解クラスに angular margin penalty を加える ArcFace を提案
- 10 以上のベンチマーク手法と比較して SOTA な精度を達成
- 10 以上のデータセットで精度を測定して有効性を検証
先行研究と比較した優位性
正解クラスに angular margin penalty を導入している点が大きな違い。
この penalty を導入することで、正解クラスと画像特徴のなす角が margin 分離れてしまうため、学習時に通常よりも厳しくなす角を調整しなければならなくなる。
結果的に、各クラスの特徴空間内での散らばりを小さくすることに成功しており、非常に多いクラスに対しても頑健に分類することができるようになった。
学習・評価
学習に利用したデータセットは以下の 4 つ。
CASIA, VGGFace2, MS1MV2, DeepGlint-Face（MS1M-DeepGlint, Asian-DeepGlint）
評価に利用したデータセットは以下の 6つ。
LFW, CFP-FP, AgeDB-30, CPLFW, CALFW, YTF
また、より大規模なデータセットとして以下の 5 つでも評価を行なっている。
MegaFace, IJB-C, IJB-C, Trillion-Pairs, 1QIYI-VID
関連論文
- SphereFace: Deep Hypersphere Embedding for Face Recognition
- A Discriminative Feature Learning Approach for Deep Face Recognition
所感
deep metric learning の論文を読みました。
非常にたくさんのデータセットを用いて包括的に実験を行なっているため、読んで得られる知見が多い論文だと感じました。
性能に関してはこの時期に提案された類似の手法（SpereFace, CosFace）とそこまで大きな違いがあるわけではないようです。
損失関数の設計が大きな課題である deep metric learning は特殊な項や正規化を行なっているイメージがありましたが、この論文ではそこまで複雑な調整を行なっていないので、実装を試しやすそうな点も地味に嬉しいですね。
本日は以上です。ここまでご覧いただきありがとうございました。
コメント