효율적인 얼굴 탐지를 위한 샘플 및 계산 재분배

비제어형 얼굴 탐지 분야에서 막대한 진전이 이루어졌지만, 낮은 계산 비용과 높은 정확도를 동시에 달성하는 효율적인 얼굴 탐지는 여전히 해결되지 않은 도전 과제로 남아 있다. 본 논문에서는 훈련 데이터 샘플링 전략과 계산 자원 분배 전략이 효율적이고 정확한 얼굴 탐지의 핵심임을 지적한다. 이러한 관찰에 기반하여, 다음과 같은 간단하지만 효과적인 두 가지 방법을 제안한다. (1) 샘플 재분배(Sample Redistribution, SR): 벤치마크 데이터셋의 통계를 바탕으로 가장 필요한 단계에 대해 훈련 샘플을 보강한다. (2) 계산 자원 재분배(Computation Redistribution, CR): 모델의 백본, 넥, 헤드 간의 계산 자원을 철저히 정의된 탐색 방법론에 따라 재분배한다. WIDER FACE 데이터셋을 대상으로 수행한 광범위한 실험을 통해 제안하는 \scrfd 계열이 다양한 계산 리소스 환경에서 최첨단의 효율-정확도 트레이드오프를 달성함을 입증하였다. 특히, \scrfdf{34}는 VGA 해상도 이미지에서 최고의 경쟁 모델인 TinaFace보다 하드 세트 기준 AP에서 3.86% 높은 성능을 기록하면서도 GPU 기준으로 3배 이상 빠른 속도를 보였다. 또한, 향후 연구를 촉진하기 위해 코드를 공개한다.