정확한 얼굴 검출을 위한 고성능

깊은 합성곱 신경망(CNN)의 발전으로 얼굴 검출 분야에서 상당한 진보가 이루어졌습니다. 최근 몇 년 동안 이 분야의 주요 문제는 작은 얼굴의 검출 성능을 어떻게 개선할 것인가입니다. 이를 위해 많은 최근 연구에서는 특수한 전략을 제안하거나 아키텍처를 재설계하고, 작은 객체 검출을 위한 새로운 손실 함수를 도입하였습니다. 본 보고서에서는 인기 있는 단일 단계 RetinaNet 접근법을 기반으로 하여 최근에 제안된 기술들을 적용하여 높은 성능의 얼굴 검출기를 구현하였습니다. 구체적으로, 회귀를 위한 교차 영역 비율(IoU) 손실 함수를 적용하였으며, 검출을 위한 두 단계 분류 및 회귀 방법을 사용하였습니다. 또한 데이터 앵커 샘플링 기반의 데이터 증강 방법을 재검토하여 훈련에 활용하였고, 분류를 위해 최대 출력(max-out) 연산을 사용하였으며, 추론을 위해 다중 스케일 테스트 전략을 활용하였습니다. 그 결과, 제안된 얼굴 검출 방법은 가장 인기 있고 어려운 얼굴 검출 벤치마크인 WIDER FACE 데이터셋에서 최고 수준의 성능을 달성하였습니다.