매우 대규모 얼굴 인식을 위한 효율적인 훈련 방법

딥러닝 시대에 초대규모且 잘 레이블링된 데이터셋 덕분에 얼굴 인식 기술은 상당한 진전을 이뤘다. 그러나 이러한 거대한 규모의 데이터셋을 활용한 학습은 시간이 오래 걸리며, 하드웨어 자원을 대량으로 소모한다. 따라서 효율적인 학습 방식 설계는 필수적이다. 이 과정에서 주로 발생하는 고비용의 계산 및 메모리 부담은 완전 연결(FC) 계층의 수백만 차원에 이르는 차원 수에서 비롯된다. 이를 해결하기 위해, 성능 저하 없이 시간과 비용을 절감할 수 있는 새로운 학습 방법인 ‘빠른 얼굴 분류(Faster Face Classification, F2C)’를 제안한다. 본 방법은 동적으로 정체성 특징을 저장하고 업데이트하는 동적 클래스 풀(Dynamic Class Pool, DCP)을 도입하여 FC 계층의 대체 수단으로 활용한다. DCP는 전체 얼굴 정체성과 독립된 구조를 가지며, 크기가 작아 계산 및 비용 측면에서 매우 효율적이다. 또한, 다양한 얼굴 인식 벤치마크 및 사내 데이터셋을 대상으로 F2C 방법의 유효성을 검증한 결과, 기존 최고 성능을 기록하는 FC 기반 방법과 비교해 유사한 정확도를 달성하면서도, 인식 정확도 및 하드웨어 비용 측면에서 더 빠른 속도를 보였다. 더불어, 정체성 기반 및 인스턴스 기반의 두 가지 데이터 로더를 효과적으로 설계한 이중 데이터 로더를 도입함으로써, DCP 파라미터 업데이트의 효율성이 더욱 향상되었다.