DeepVisage: 간단하면서도 강력한 일반화 능력을 갖춘 얼굴 인식 기술

얼굴 인식(FR) 방법들은 합성곱 신경망(CNN) 기반 학습 방법을 채택함으로써 상당한 성능을 보고하고 있습니다. CNN은 대부분 소프트맥스 손실 함수를 최적화하여 훈련되지만, 최근 경향은 다른 손실 함수를 사용한 작업 특화형 CNN 학습, 대상 데이터셋에 대한 미세 조정(fine-tuning), 메트릭 학습 및 여러 CNN에서 추출된 특징의 결합 등의 전략을 통해 정확도가 개선되는 것을 보여주고 있습니다. 이러한 작업들을 통합하는 것은 명백히 추가적인 노력이 필요합니다. 또한, 이는 얼굴 인식에 있어 정체성 라벨만으로 훈련된 효율적인 CNN 모델의 발견을 저해합니다. 우리는 이 사실에 주목하고 쉽게 훈련할 수 있으며 단일 CNN 기반의 FR 방법을 제안합니다. 우리의 CNN 모델은 잔차 학습(residual learning) 프레임워크를 활용하며, 추가적으로 정규화된 특징을 사용하여 손실(loss)을 계산합니다. 우리의 광범위한 실험 결과는 다양한 데이터셋에서 우수한 일반화 성능을 보여줍니다. LFW, IJB-A, YouTube Faces 및 CACD 데이터셋에서 매우 경쟁력 있고 최신(state-of-the-art) 결과를 얻었습니다.