Constellation Loss em Modelos de Reconhecimento Facial

Abstract

Modelos extratores de características para sistemas de reconhecimento facial se tornaram objetos de profundo estudo ao longo dos últimos anos. Desejando encontrar uma melhor discriminação dos objetos e, consequentemente, uma melhor separabilidade das classes, funções de perdas, como a Triplet Loss, foram projetadas para serem empregadas em conjunto com as Redes Neurais Siamesas. Entretanto, redes com essas funções sofrem com uma lenta convergência por considerar apenas duas classes (positiva e negativa) a cada iteração de aprendizagem. Recentemente, uma função de perda chamada Constellation Loss, foi proposta no sentido de minimizar estes problemas. Neste trabalho é proposto um modelo para reconhecimento facial usando uma CNN como backbone e o Constellation Loss como função de perda. Para validar o modelo, foram utilizadas duas bases de dados públicas e feitas comparações com diferentes funções de perda e arquiteturas CNN. Também é proposto neste trabalho o uso de uma abordagem para construção dos batches, o qual permite o treinamento da rede com uso reduzido de memória. Os resultados obtidos indicam que Constellation Loss é uma técnica promissora quando comparadas às demais funções de perda avaliadas, alcançando valores médios de AUC (Area Under The Curve) iguais a 99,9% no conjunto de dados Olivetti Faces e 98,7% no desafiador conjunto de dados Labeled Faces in the Wild (LFW). A efetividade do método pôde ser certificada, viabilizando sua aplicação para sistemas de reconhecimento facial.