나이 불변 얼굴 인식을 위한 직교 깊은 특성 분해

얼굴의 외모는 시간이 지남에 따라 노화 과정으로 인해 상당한 클래스 내 변동을 겪기 때문에, 나이 불변 얼굴 인식(Age-Invariant Face Recognition, AIFR)은 여전히 얼굴 인식 분야에서 주요한 도전 과제입니다. 본 논문에서는 노화로 인한 클래스 내 차이를 줄이기 위해 새로운 접근 방식(즉, 직교 임베딩 CNNs 또는 OE-CNNs)을 제안하여 나이 불변의 깊은 얼굴 특징을 학습합니다. 구체적으로, 우리는 깊은 얼굴 특징을 두 개의 직교 성분으로 분해하여 나이 관련 특징과 신원 관련 특징을 표현합니다. 그 결과, 노화에 강건한 신원 관련 특징이 AIFR에 사용됩니다. 또한, 기존의 크로스-에이지 데이터셋을 보완하고 이 분야의 연구를 발전시키기 위해 대규모 크로스-에이지 얼굴 데이터셋(Cross-Age Face dataset, CAF)을 구축하였습니다. MORPH Album 2, CACD-VS 및 FG-NET라는 세 가지 공개된 얼굴 노화 데이터셋에서 수행된 광범위한 실험들은 제안된 접근 방식의 효과성과 구축된 CAF 데이터셋의 AIFR에서의 가치를 입증하였습니다. 가장 유명한 일반적인 얼굴 인식(General Face Recognition, GFR) 데이터셋인 LFW에서 우리의 알고리즘을 벤치마킹 한 결과, GFR에서도 유사한 일반화 성능을 보임을 추가로 확인할 수 있었습니다.