초록
딥 신경망은 얼굴 정렬과 같은 다양한 컴퓨터 비전 문제에서 뛰어난 성능을 달성하고 있다. 그러나 테스트 이미지가 저해상도, 가림 현상 또는 적대적 공격 등으로 인해 도전적일 경우, 딥 신경망의 정확도는 크게 저하된다. 따라서 예측 결과의 불확실성을 정량화하는 것은 매우 중요하다. 회귀 문제에서 불확실성을 측정하기 위해 일반적으로 목표 변수에 대해 가우시안 분포를 가정하는 확률적 신경망이 사용된다. 그러나 실세계 문제, 특히 컴퓨터 비전 작업에서는 가우시안 가정이 지나치게 강한 제약이 된다. 더 일반적인 분포—예를 들어 다중 모달 또는 비대칭 분포—를 모델링하기 위해, 우리는 커널 밀도 기반의 딥 신경망을 제안한다. 구체적으로, 얼굴 정렬 문제에 대해 최신의 아워글래스 신경망을 목표 지점의 확률 맵을 출력으로 가지는 확률적 신경망 구조로 개조한다. 이 모델은 조건부 로그 가능도를 최대화하는 방식으로 학습된다. 출력 확률 맵을 효과적으로 활용하기 위해, 다단계 구조로 모델을 확장하여 이전 단계의 로짓 맵을 다음 단계에 입력함으로써 점진적으로 특징점 탐지 정확도를 향상시킨다. 최신 비제약 딥 러닝 방법과의 비교를 통해 벤치마크 데이터셋에서 실시한 광범위한 실험 결과, 제안하는 커널 밀도 네트워크가 예측 정확도 측면에서 기존 최고 수준의 방법과 유사하거나 더 우수한 성능을 보였으며, 예측 결과에 대해 알레아토릭(aleatoric) 불확실성 추정을 제공함으로써 추가적인 유용성을 갖는다.