차폐 적응형 딥 네트워크를 통한 강건한 얼굴 랜드마크 탐지

본 논문에서는 얼굴 랜드마크 검출에서의 가림 현상을 해결하기 위한 간단하면서도 효과적인 프레임워크인 가림 적응형 딥 네트워크(Occlusion-adaptive Deep Networks, ODN)를 제안한다. 본 모델에서는 고수준 특징 내 각 위치의 가림 확률을, 얼굴 외형과 얼굴 형상 간의 관계를 추정하는 과정에서 자동으로 학습 가능한 소거 모듈(distillation module)을 통해 추정한다. 이 가림 확률은 고수준 특징에 대한 적응형 가중치로 활용되어 가림 현상의 영향을 줄이고, 정제된 특징 표현을 얻는다. 그러나 정제된 특징 표현은 정보 손실로 인해 전체적인 얼굴의 의미 정보를 충분히 반영하지 못할 수 있다. 완전하고 포괄적인 특징 표현을 확보하기 위해, 손실된 특징을 복원하기 위한 낮은 랭크 학습 모듈을 활용하는 것이 필수적이다. 얼굴의 기하학적 특성이 손실된 특징 복원에 유리하다는 점을 고려하여, 서로 다른 얼굴 구성 요소 간의 기하학적 관계를 탐색하기 위한 기하학적 인지 모듈(geometric-aware module)을 제안한다. 이 세 가지 모듈 간의 상호보완적 작용을 통해 제안된 네트워크는 도전적인 벤치마크 데이터셋에서 최신 기술 대비 우수한 성능을 달성한다.