QuantFace: 합성 데이터를 활용한 경량화 얼굴 인식 저비트 양자화

딥러닝 기반 얼굴 인식 모델은 높은 계산 비용을 가진 전체 정밀도 부동 소수점 네트워크를 활용하는 딥 신경망의 일반적인 경향을 따릅니다. 이러한 네트워크를 계산 요구 사항이 제한된 사용 사례에 배포하는 것은 전체 정밀도 모델이 많은 메모리를 필요로 하기 때문에 종종 실현 가능하지 않습니다. 이전의 컴팩트 얼굴 인식 접근 방식들은 실제 훈련 데이터를 사용하여 특수한 컴팩트 아키텍처를 설계하고 처음부터 훈련시키는 것을 제안하였으나, 프라이버시 문제로 인해 실제 환경에서 실제 훈련 데이터가 제공되지 않을 수 있습니다. 본 연구에서는 저비트 정밀도 형식 모델 양자화를 기반으로 하는 QuantFace 솔루션을 제시합니다. QuantFace는 특정 아키텍처 설계나 실제 훈련 데이터에 접근할 필요 없이 기존 얼굴 인식 모델의 필요한 계산 비용을 줄입니다. 또한, QuantFace는 양자화 과정에 프라이버시 친화적인 합성 얼굴 데이터를 도입하여 잠재적인 프라이버시 우려와 실제 훈련 데이터에 대한 접근성 문제를 완화합니다. 일곱 개의 벤치마크와 네 가지 네트워크 아키텍처에 대한 광범위한 평가 실험을 통해, QuantFace가 실제 훈련 데이터셋에 접근하지 않고도 최대 5배까지 모델 크기를 줄이며 전체 정밀도 모델의 검증 성능을 크게 유지할 수 있음을 입증하였습니다.