초록
심층 신경망은 얼굴 정렬 문제를 해결하는 데 상당한 정확도를 달성하였지만, 특히 부분 가림이나 극단적인 머리 자세가 있는 얼굴 이미지를 처리할 때 여전히 어려운 과제입니다. 얼굴 정렬을 위한 주요 방법 중 하나로 히트맵 기반 회귀(HBR)와 좌표 기반 회귀(CBR)가 있습니다. CBR 방법은 HBR 방법보다 적은 컴퓨터 메모리를 필요로 하지만, 성능은 HBR 방법에 비해 떨어집니다. 본 논문에서는 얼굴 정렬의 정확도를 향상시키기 위해 적응형 좌표 기반 회귀(ACR) 손실 함수를 제안합니다. 활동형 모양 모델(Active Shape Model, ASM)에서 영감을 받아, 지점 변동이 실제 랜드마크 지점보다 적은 일련의 얼굴 랜드마크 지점을 포함하는 Smooth-Face 객체들을 생성하였습니다. 그런 다음, 실제 랜드마크 지점의 분포와 해당 Smooth-Face 객체들의 분포를 비교하여 네트워크가 각 랜드마크 지점을 예측하는 난이도를 추정하는 방법을 소개합니다. 제안된 ACR 손실 함수는 각 얼굴의 랜드마크 지점을 예측하는 난이도에 따라 그 곡률과 손실의 영향력을 적응적으로 수정할 수 있습니다. 따라서 ACR 손실 함수는 네트워크가 더 어려운 지점을 쉽게 예측되는 지점보다 더 집중하도록 유도하여, 얼굴 정렬 작업의 정확도를 향상시킵니다. 본 연구의 광범위한 평가는 다양한 얼굴 이미지에서 제안된 ACR 손실 함수가 얼굴 랜드마크 지점을 예측하는 능력을 보여줍니다.