17일 전

SymFace: 딥 패스 인식을 위한 추가적인 얼굴 대칭 손실

Pritesh Prakash, Koteswar Rao Jerripothula, Ashish Jacob Sam, Prinsh Kumar Singh, S Umamaheswaran
SymFace: 딥 패스 인식을 위한 추가적인 얼굴 대칭 손실
초록

지난 10년간 얼굴 인식 알고리즘의 성능 향상을 위한 고급 기계학습 기법을 활용한 지속적인 발전이 이루어져 왔다. 손실 함수는 얼굴 인증 문제 해결에 있어 핵심적인 역할을 하며, 혁신적인 전환점을 마련하고 있다. 이러한 손실 함수들은 주로 클래스 내(variation within class) 또는 클래스 간 분리(class separation)의 차이를 탐구해 왔다. 본 연구는 얼굴 인식 문제에 있어 얼굴의 대칭이라는 자연 현상을 탐구한다. 최근 수십 년간 얼굴의 좌측과 우측 반면 사이의 대칭성은 다양한 연구 분야에서 널리 활용되어 왔다. 본 논문은 얼굴 이미지를 수직으로 두 부분으로 나누는 간단한 접근법을 적절히 채택한다. 얼굴의 자연스러운 대칭성이 얼굴 인식 방법론을 강화할 수 있다는 가정 아래, 분할된 두 얼굴 영역의 출력 임베딩 벡터는 출력 임베딩 공간 내에서 서로 가까이 투영되어야 한다는 가설을 제시한다. 이 개념을 영감으로 삼아, 분할된 대칭 쌍의 임베딩 간 차이를 기반으로 네트워크에 페널티를 부과한다. 대칭 손실은 표정 변화나 조명 조건으로 인한 미세한 비대칭 특성을 최소화할 잠재력을 지니며, 결과적으로 클래스 간 분산을 크게 증가시켜 더욱 신뢰할 수 있는 얼굴 임베딩을 가능하게 한다. 이 손실 함수는 기존의 모든 네트워크 아키텍처 및 구성에서 기준 성능을 초월하도록 네트워크를 촉진하며, 최첨단(SoTA) 성능을 달성할 수 있게 해준다.

SymFace: 딥 패스 인식을 위한 추가적인 얼굴 대칭 손실 | 최신 연구 논문 | HyperAI초신경