GhostFaceNets: 저비용 연산으로 구현한 경량 얼굴 인식 모델

메모리와 계산 자원이 제한된 장치에 배포 가능한 딥러닝 기반 생체 인식 모델의 개발은 오랜 기간 동안 중요한 도전 과제로 남아왔다. 기존의 접근 방식은 특징 맵의 중복을 줄이는 데 초점을 맞추지 않았으나, 고스트 모듈(Ghost module)의 도입은 이 분야에서 획기적인 혁신을 가져왔다. 고스트 모듈은 기본적인 특징들로부터 추가적인 특징 맵을 저비용의 선형 변환을 통해 추출함으로써, 내재된 정보를 보다 포괄적으로 표현할 수 있도록 한다. 고스트 모듈 기반의 GhostNetV1과 GhostNetV2는 고스트 모듈을 기반으로 한 경량화된 얼굴 인식 모델군인 GhostFaceNets의 기반이 된다. GhostNetV2는 원래의 GhostNetV1을 확장하여 장거리 의존성을 포착할 수 있도록 주의 메커니즘(attention mechanism)을 추가하였다. 다양한 벤치마크를 활용한 평가 결과, GhostFaceNets는 약 60–275 MFLOPs의 계산 복잡도로 우수한 성능을 보이며, 상태의 기술(SOTA) 수준의 대규모 합성곱 신경망(CNN) 모델이 수억 개의 FLOPs를 요구하는 것과 비교해 훨씬 낮은 계산 부담을 갖는다. 특히 정제된 MS-Celeb-1M 데이터셋에서 ArcFace 손실함수를 사용해 훈련된 GhostFaceNets는 모든 벤치마크에서 SOTA 성능을 달성하였다. 기존의 SOTA 모바일 CNN 모델들과 비교했을 때, GhostFaceNets는 얼굴 인증 작업의 효율성을 크게 향상시켰다. GhostFaceNets의 코드는 다음 링크에서 공개되어 있다: https://github.com/HamadYA/GhostFaceNets.