비지도 합성 데이터를 이용한 얼굴 인식

최근 몇 년 동안 얼굴 인식 분야의 주요 연구 혁신은 대규모 신원 라벨 데이터셋을 사용하여 다중 클래스 분류 손실의 변형을 통해 깊은 신경망을 훈련시키는 데 초점을 맞추었습니다. 그러나 이러한 많은 데이터셋들이 개인 정보 보호와 윤리적 우려가 증가함에 따라 제작자들에 의해 철회되었습니다. 최근에는 개인 정보를 침해하지 않는 합성 데이터가 개인 정보 보호 규정을 준수하고 얼굴 인식 연구의 지속성을 보장하기 위한 대안으로 제안되었습니다. 본 논문에서는 라벨이 부착되지 않은 합성 데이터(USynthFace)를 기반으로 하는 비지도 얼굴 인식 모델을 제안합니다. 제안된 USynthFace는 같은 합성 인스턴스의 두 개의 증강 이미지 간 유사성을 최대화하도록 학습합니다. 이를 위해 기하학적 및 색상 변환과 GAN(Generative Adversarial Network)-기반 증강을 포함한 다양한 변환 방법들을 사용하였습니다. 또한, USynthFace의 다양한 구성 요소에 대한 수많은 실증적 연구를 수행하였습니다. 제안된 증강 연산 집합을 통해, 우리는 라벨이 부착되지 않은 합성 데이터를 사용하여 상대적으로 높은 인식 정확도를 달성하는 USynthFace 모델의 효과성을 입증하였습니다.