리서치 연구
부분 얼굴 인식 성능 비교: CNN 백본 전이 학습 연구
A Comparative Transfer-Learning Study of CNN Backbones for Partial Face Recognition on the SoF Dataset
arXiv마스크나 액세서리 등으로 얼굴이 부분적으로 가려지는 상황에서도 신원을 식별하는 '부분 얼굴 인식(PFR)' 기술의 정확도를 높이는 연구입니다.
세 줄 요약
- ResNet-50, VGG-16 등 세 가지 CNN 백본을 비교한 결과, FaceNet 기반 모델(PFN)이 SoF 데이터셋에서 97.4%의 최고 테스트 정확도를 달성했습니다.
- 실제 환경에서 얼굴 가림 현상은 흔하므로, 이 기술은 감시 시스템이나 출입 통제 등 보안 분야에 매우 높은 활용 가능성을 제시합니다.
- 본 연구는 동일한 전처리 및 최적화 프로토콜을 적용하여 여러 모델의 성능을 공정하게 비교했다는 점에서 학술적 의미가 큽니다.
얼굴 인식 기술은 감시, 출입 통제 등 다양한 분야에 활용되지만, 액세서리나 물체 등으로 인해 얼굴이 부분적으로 가려지면 정확도가 크게 저하되는 문제가 있습니다. 이 때문에 실제 환경에서 흔히 발생하는 상황을 고려하여, 부분적인 얼굴에서도 신원을 식별할 수 있는 '부분 얼굴 인식(PFR)' 기술의 구현이 중요하게 다루어지고 있습니다.
본 연구는 PFR 성능 비교를 위해 ResNet-50, VGG-16, FaceNet 세 가지 사전 학습된 CNN 백본을 사용했습니다. 이 모델들은 Specs-on-Faces (SoF) 데이터셋에서 전이 학습 방식으로 되었으며, 모든 테스트 과정은 동일한 전처리, 분할 및 최적화 프로토콜 하에 공정하게 진행되었습니다.
비교 결과, FaceNet 기반의 설정(PFN)이 다른 두 모델보다 월등히 높은 성능을 보였습니다. PFN은 SoF 데이터셋에서 97.4%의 테스트 정확도를 달성했으며, 112개 신원 클래스에 대해 매크로 평균 정밀도 87.04%, 재현율 84.61%, F1 점수 84.17%를 기록하며 최고 성능을 입증했습니다.
용어 풀이
- 미세 조정
- 이미 학습된 모델을 특정 목적의 데이터로 조금 더 학습시키는 일.