초록
본 연구에서는 랜드마크 검출 또는 얼굴 정렬 작업이 단일이고 독립적인 문제가 아님을 보여줍니다. 대신, 부가 정보를 통해 그 견고성이 크게 향상될 수 있습니다. 구체적으로, 성별, 표정, 외모 속성과 같은 이질적이지만 미묘하게 상관관계가 있는 얼굴 속성의 인식과 함께 랜드마크 검출을 공동으로 최적화하였습니다. 이는 서로 다른 속성 추론 작업들이 서로 다른 학습 난이도와 수렴률을 가지기 때문에 쉽지 않은 문제입니다. 이를 해결하기 위해, 우리는 태스크 간 상관관계를 학습하고 여러 복잡한 태스크를 학습할 때 최적화 수렴을 촉진하는 동적 태스크 계수를 사용하는 새로운 태스크 제약 조건의 딥 모델을 제안하였습니다. 광범위한 평가 결과에 따르면, 제안된 태스크 제약 조건 학습은 (i) 특히 심각한 가림 현상과 자세 변화가 있는 얼굴을 처리하는 데 있어 기존의 얼굴 정렬 방법보다 우수하며, (ii) 캐스케이드 딥 모델 기반의 최신 방법들에 비해 모델 복잡성을 크게 줄였습니다.