SCAF: 약한 레이블 데이터를 통한 얼굴 정렬을 위한 오토인코더 내의 스킵 연결

지도 학습 기반의 얼굴 정렬 방법은 정확도와 일반화 성능 측면에서 우수한 성능을 달성하기 위해 대량의 학습 데이터를 필요로 한다. 그러나 얼굴 정렬 데이터셋은 흔히 수천 개의 샘플을 넘지 못하기 때문에, 이러한 방법들은 특정 학습 데이터셋에 과적합(overfitting)되기 쉬운 문제가 있다. 이를 완화하기 위해 라벨링된 데이터와 라벨링되지 않은 데이터를 함께 사용하는 반지도 학습 기법(예: TS3, 3FabRec)이 등장하였다. 본 논문에서는 자동에코더에 스트라이드 연결(skip-connections)을 도입한 얼굴 정렬 방법인 SCAF(Skip-Connections in Auto-encoder for Face alignment)을 제안한다. 이 방법은 3FabRec의 기반 위에 인코더와 디코더 사이에 스트라이드 연결을 추가함으로써, 특히 도전적인 예제에 대해 더 정확한 랜드마크 예측을 가능하게 한다. 또한 본 논문에서는 얼굴 정렬 작업에 대해 최초로 활성 학습(active learning)을 적용하고, 히트맵의 품질을 평가하기 위해 특별히 설계된 새로운 획득 함수(Negative Neighborhood Magnitude)를 제안한다. 제안된 두 가지 기법은 제한된 데이터로 학습할 때 여러 얼굴 정렬 데이터셋에서 효과를 입증하였다.