cfiken
commented
5 years ago 性能自体は ArcFace と比べてないこともありそこまで大きく向上は見込めなさそうだが、各クラスが空間全体で uniform な分布になることは価値がありそう。 着眼点は全うでアプローチも面白いので、実験が少し省略気味なのは少しもったいない感ある。全体の精度で SOTA は取れないかもしれないけど、クラスが空間全体に uniform に分布しているのはタスクによっては効きそうに見えた。
0. 論文
タイトル
UniformFace: Learning Deep Equidistributed Representation for Face Recognition
リンク
http://openaccess.thecvf.com/content_CVPR_2019/papers/Duan_UniformFace_Learning_Deep_Equidistributed_Representation_for_Face_Recognition_CVPR_2019_paper.pdf
著者
Yueqi Duana, Jiwen Lu, Jie Zhou
投稿日付
CVPR 2019
1. どんなもの？
顔認識タスクにおいて、各クラスの代表ベクトルが多様体上に均一に広がるような制約を加える損失関数である Uniform Loss を提案。 既存手法ではクラス間距離を大きく、クラス内分散を小さくするようなロスが多く使われているが、これは特徴空間の全体を考慮しておらず、良くない局所性やアンバランスな分布が発生する。
図は Fig. 1 より。2D, 3D ともにSphereFace と比べて均一な分布となっている。
MegaFace Challenge や YTF, LFW といった様々なタスクで実験により効果を示した。
2. 先行研究と比べてどこがすごい？
既存研究では着目されていなかった、多様体上でのクラス全体での分布に焦点を当てた。
3. 技術や手法のキモはどこ？
各クラスの代表ベクトルを単位量の電荷として考えると、UniformLoss は全代表ベクトルの位置エネルギーと考えることができ、問題を各クラス分の電荷による位置エネルギーの最小化問題と変えた。
4. どうやって有効だと検証した？
MegaFace Challenge1, IJB-A, YTF, LFW のデータセットで実験。実験数は多くはないが、CosFace, ArcFace などの既存手法と組合せて使用して、既存の性能を改善している。 表は Table 4 で MegaFace Challenge 1 での既存手法との組合せの例。
ただし、ArcFace の方が CosFace より悪かったり、CosFace のスコアが別の表と合わないなど少し変な点がある。
5. 議論はある？
今回は等価な電荷を考えたが、data-dependent な電荷を与えた上でのより細かい表現の分布を考えるのは面白そう
6. 次に読むべき論文は？
他とかぶるので割愛