초록
임베딩 방법은 잠재 의미 공간에서 얼굴 특성을 비교함으로써 얼굴 인식 분야에서 성공을 거두었습니다. 그러나 완전히 제약이 없는 얼굴 환경에서는 임베딩 모델이 학습한 얼굴 특성이 모호하거나 입력된 얼굴에 존재하지 않을 수 있어, 이로 인해 노이즈가 포함된 표현이 생성될 수 있습니다. 우리는 이러한 문제를 해결하기 위해 각각의 얼굴 이미지를 잠재 공간에서 가우시안 분포로 표현하는 확률적 얼굴 임베딩(PFEs, Probabilistic Face Embeddings)을 제안합니다. 분포의 평균은 가장 가능성이 높은 특성 값을 추정하며, 분산은 특성 값의 불확실성을 나타냅니다. 불확실성 정보를 사용하여 PFEs 간의 매칭과 융합을 위한 확률적 해법을 자연스럽게 도출할 수 있습니다. 다양한 기준 모델, 훈련 데이터셋 및 벤치마크에서의 경험적 평가는 제안된 방법이 결정론적인 임베딩을 PFEs로 변환하여 얼굴 인식 성능을 개선할 수 있음을 보여줍니다. PFEs가 추정한 불확실성은 또한 잠재적인 매칭 정확도의 좋은 지표가 되며, 이는 위험 관리형 인식 시스템에서 중요한 역할을 합니다.