초록
최근 10년 동안 얼굴 정렬(face alignment) 기술은 상당한 발전을 이루어냈습니다. 최근의 주요 연구 방향 중 하나는 큰 머리 각도를 가진 얼굴 이미지에 밀집된 3D 얼굴 모양을 맞추는 것입니다. 이 분야에서 주로 사용되는 기술은 CNN과 같은 회귀기(regressors)의 캐스케이드(cascade) 기반으로, 유망한 결과를 보여주고 있습니다. 그러나 CNN 캐스케이드는 몇 가지 단점이 있습니다. 예를 들어, 엔드투엔드(end-to-end) 학습의 부족, 수작업 특징(hand-crafted features), 그리고 느린 학습 속도 등입니다.이러한 문제들을 해결하기 위해, 우리는 새로운 레이어인 시각화 레이어(visualization layer)를 제안합니다. 이 레이어는 CNN 아키텍처에 통합될 수 있으며, 다양한 손실 함수(loss functions)와 함께 공동 최적화(joint optimization)를 가능하게 합니다. 제안된 방법을 여러 데이터셋에서 폭넓게 평가한 결과, 최신 기술(state-of-the-art) 수준의 정확성을 달성하면서 전형적인 CNN 캐스케이드와 비교하여 학습 시간을 절반 이상 줄일 수 있음을 확인하였습니다. 또한, 시각화 레이어를 적용한 여러 CNN 아키텍처 간의 비교를 통해 그 활용의 우위성을 더욱 입증하였습니다.