개방형 딥 메트릭 학습을 위한 임계값 일관성 마진 손실

기존 딥 메트릭 학습 손실은 테스트 클래스와 데이터 분포에 걸쳐 비균일한 클래스 내부 및 클래스 간 표현 구조를 초래한다. 이는 고정 임계값을 사용하는 경우 오탐률(FAR)과 오기각률(FRR) 성능의 큰 변동을 야기한다. 이러한 임계값 불일치 문제를 해결하기 위해 임계값 일관성 마진(TCM) 손실을 제안한다. TCM은 클래스 간 균일한 표현 구조를 유도하여 임계값 일관성을 향상시키면서도 정확도를 유지한다.