초록
본 논문은 얼굴 인증을 위한 고수준 특징 표현을 딥러닝을 통해 학습하는 방안을 제안하며, 이를 '딥 히든 아이덴티티 특징(DeepID)'이라고 명명한다. 우리는 DeepID가 다수의 클래스를 구분하는 어려운 얼굴 식별 과제를 통해 효과적으로 학습될 수 있으며, 학습 과정에서 등장하지 않은 새로운 개인에 대해서도 일반화되어 다른 과제(예: 인증)에 적용될 수 있다고 주장한다. 또한, 학습 시 예측해야 하는 얼굴 클래스 수가 많을수록 DeepID의 일반화 능력이 향상됨을 확인하였다. DeepID 특징은 깊은 합성곱 신경망(ConvNets)의 마지막 은닉층의 뉴런 활성화 값에서 추출된다. 학습 과정에서 약 1만 개의 얼굴 정체성을 인식하도록 분류기로 학습하고, 특징 추출 계층을 따라 뉴런 수를 점차 줄이도록 설정할 경우, 상위 계층에서는 매우 적은 수의 은닉 뉴런으로도 컴팩트한 정체성 관련 특징이 점차 형성된다. 제안된 특징은 다양한 얼굴 영역에서 추출되어 보완적이고 과잉 완전한 표현을 구성한다. 이러한 고수준 표현을 기반으로 최신의 상태 기술(Classifier)을 학습하여 얼굴 인증에 활용할 수 있다. 실험 결과, 약간의 정렬(약한 정렬)만 이루어진 얼굴 이미지만을 사용하여 LFW 데이터셋에서 97.45%의 인증 정확도를 달성하였다.