삼중 확률적 임베딩을 이용한 얼굴 인증 및 클러스터링

지난 25년 동안 상당한 진전이 이루어졌음에도 불구하고, 제약 없는 얼굴 인증은 여전히 어려운 문제입니다. 본 논문에서는 트리플릿 확률 제약을 사용하여 학습된 저차원 차별적 임베딩과 깊은 CNN 기반 접근 방식을 결합한 방법을 제안합니다. 이 임베딩은 성능 향상뿐만 아니라 메모리 효율성과 주제별 클러스터링 등의 후처리 작업에서 중요한 장점을 제공합니다. 도전적인 IJB-A 데이터셋에 대한 실험 결과, 제안된 알고리즘이 검증 및 식별 지표에서 최신 방법들과 비교해 유사하거나 더 우수한 성능을 보임을 확인할 수 있으며, 훈련 데이터와 훈련 시간이 현저히 적게 필요함을 보여줍니다. CFP 데이터셋에서의 뛰어난 성능은 우리의 깊은 CNN이 극단적인 자세 변동에 대해 견고한 표현을 학습한다는 것을 입증합니다. 또한, IJB-A와 LFW 데이터셋에서 간단한 클러스터링 실험을 수행하여 나이, 자세, 블러 및 복잡성 등 다양한 도전 과제에 대한 깊은 특징의 견고성을 시연합니다.