Meta-Mining Discriminative Samples for Kinship Verification 메타-마이닝을 통한 혈연 관계 검증을 위한 차별적 샘플 선정

친족 확인은 주어진 두 얼굴 이미지 간에 친족 관계가 있는지를 파악하는 것을 목표로 합니다. 친족 확인 데이터베이스는 불균형한 데이터로 생성됩니다. N개의 양성 친족 쌍이 있는 데이터베이스에서는 자연스럽게 N(N-1)개의 음성 쌍을 얻을 수 있습니다. 제한된 양성 쌍을 충분히 활용하고, 충분한 음성 샘플에서 차별적인 정보를 추출하여 친족 확인을 수행하는 방법은 여전히 미해결된 문제입니다. 이 문제를 해결하기 위해 본 논문에서는 차별적 샘플 메타 마이닝(Discriminative Sample Meta-Mining, DSMM) 접근법을 제안합니다. 기존 방법들이 일반적으로 고정된 음성 쌍으로 균형 잡힌 데이터셋을 구성하는 것과 달리, 우리는 모든 가능한 쌍을 활용하고 데이터에서 자동으로 차별적인 정보를 학습하는 방안을 제안합니다. 구체적으로, 각 반복마다 불균형한 훈련 배치와 균형 잡힌 메타-훈련 배치를 샘플링합니다. 그런 다음 균형 잡힌 메타-훈련 배치에서 메타 그래디언트를 사용하여 메타 마이너를 학습합니다. 마지막으로, 학습된 메타 마이너에 의해 불균형한 훈련 배치의 샘플들이 재가중되어 친족 모델들을 최적화합니다. 널리 사용되는 KinFaceW-I, KinFaceW-II, TSKinFace 및 Cornell Kinship 데이터셋에서 수행된 실험 결과는 제안된 접근법의 효과성을 입증하였습니다.