대규모 인물 데이터에서의 효과적인 face recognition 기법에 대한 연구 = The Effective Face Recognition Technique in Large-Scale Face Data
저자
발행사항
서울 : 숙명여자대학교 대학원, 2020
학위논문사항
학위논문(석사)-- 숙명여자대학교 대학원 : IT공학과 IT공학전공 2020. 2
발행연도
2020
작성언어
한국어
주제어
발행국(도시)
서울
형태사항
; 26 cm
일반주기명
지도교수: 김철연
UCI식별코드
I804:11043-000000068878
소장기관
사람의 얼굴을 인식하고 판별하는 문제는 다양한 분야에서 활용될 수 있기 때문에 많이 연구되고 있다. 얼굴 판별 문제는 쿼리 이미지를 단일 인물과 비교하는 문제 또는 다중 인물과 비교하는 문제로 나눌 수 있다. 단일 인물과 비교하는 문제는 비교해야 할 데이터의 양이 적기 때문에 빠르게 처리할 수 있지만, 다중 인물과 비교하는 문제는 비교해야 할 데이터의 양이 많기 때문에, 이를 빠르고 정확하게 검색하고 판별하는 문제는 중요하다. 따라서, 얼굴 판별을 빠르고 정확하게 수행하기 위한 알고리즘을 제안하고자 한다.
얼굴 판별 알고리즘은 임베딩 생성, 트리 생성, 트리 검색, 크게 세 단계로 수행된다. 임베딩 생성 단계에서는 얼굴 이미지 데이터가 feature 벡터로 임베딩된다. 얼굴 이미지를 임베딩으로 변환하기 위해서는 FaceNet을 사용한다. FaceNet은 deep neural network 기반의 구조로, triplet loss라는 손실 함수를 사용하여 얼굴 이미지를 학습하는 네트워크이다. 네트워크 학습이 완료되면 동일한 인물은 가깝게 다른 인물은 멀도록 임베딩이 생성된다. 임베딩 생성이 완료되면 얼굴 판별 알고리즘의 두 번째 단계인 임베딩 트리 생성 단계를 수행한다. 얼굴 데이터가 많을수록 선형 검색을 진행하는 것은 매우 비효율적이다. 따라서, 앞서 추출된 임베딩으로 트리를 생성하여 검색의 효율성을 증가시키고자 하였다. 이를 위해, 본 논문에서는 randomized $k$-d 트리와 $k$-means 트리를 이용하였고, 트리의 사용은 검색의 효율성을 향상시켰다. 임베딩을 이용하여 트리를 모두 생성하고 나면 얼굴 판별을 위한 검색을 진행한다. 트리 검색 시 발생하는 오차를 줄이기 위해, beam search 기법을 도입하였다. Beam search는 검색 시 하나가 아닌 여러 개의 후보 노드의 자식 노드를 방문하여 비교를 진행하기 때문에 일반적인 최우선 탐색 방법보다 더 높은 검색 정확도를 갖는다.
제안된 알고리즘의 성능을 입증하기 위해 4가지의 정확도 기준을 정의하였으며, 이를 기반으로 실험을 진행하였다. 제안된 기준의 적합성과 실험 결과를 통해 본 알고리즘에 적절한 정확도 평가 방식을 제안하였고, beam과 생성된 트리의 branching factor와 같은 다양한 파라미터를 조절하여 실험을 진행함으로써, 본 알고리즘에 적합한 파라미터를 설정하였다. 이뿐만 아니라, 인물 당 존재하는 사진의 수에 따른 정확도 역시 평가하고 이를 통한 결과를 비교함으로써, 실험을 통해 설정된 beam 값의 타당성을 증명하였다.
실험 결과, 트리를 이용하지 않고 검색을 진행하는 방법에 비해 트리를 이용한 알고리즘의 효율성이 더 향상되었고, 트리의 branching factor의 값이 클수록 효율성이 증가함을 확인할 수 있었다. 또한, beam search의 사용은 일반적인 최우선 탐색을 사용한 결과보다 더 높은 정확도로 트리 검색을 수행할 수 있게 하였으며, 대체적으로 beam의 값이 클수록 더 높은 정확도를 갖는다는 것을 확인할 수 있었다.
The problem of recognizing a person's face has been studied a lot because it can be used in various fields. Face recognition problem can be divided into a problem that compare query images to a single person or a problem that compare with multiple people. The problem of comparing to a single person can be performed quickly because there is a small amount of data to be compared, but the problem of comparing with multiple people is important, because there is a large amount of data to be compared. Therefore, we propose an algorithm for fast and accurate face recognition.
Face recognition algorithm is performed in three stages: building an embedded, creating a tree, searching for a tree. During the stage of building embedding, face image data is embedded into feature vector. To convert face images into embedding, we use FaceNet. FaceNet is a deep neural network-based structure that learns face images using a loss function called triplet loss. Once network learning is complete, embedding is created so that the same person is closer and the other person is far away. When step of embedding is completed, the tree creation step is performed. The more face data, the more inefficient it is to conduct linear search. Therefore, we increase the efficiency of the search by building a tree with the extracted embedding. To this end, this paper use the randomized $k$-d tree and the $k$-means tree, and the use of the tree improve the efficiency of the search. After building the tree using embedding, a search is performed to face recognition. To reduce errors in tree searching, beam search is used. Beam search has higher search accuracy than the best-first search because it compares distances by visiting multiple candidate nodes.
In order to evaluate the performance of the proposed algorithm, we define four criteria of accuracy and experiment based on them. Based on the suitability of the proposed criteria and the experimental results, we propose an appropriate method for evaluating the accuracy of the algorithm, and by tuning the various parameters such as the beam and the branching factor of the tree, we set the appropriate parameters for the algorithm. In addition, by evaluating the accuracy of face images per person and comparing the results, we prove the validity of the beam values set by the experiment.
As a result, the efficiency of the algorithm using the tree searching is more improved than the method of searching without the tree, and the bigger the branching factor of tree, the higher the efficiency. Also, the use of beam search enables the tree search to performed with greater accuracy than the result of using the best-first search. In general, the larger the beam, the higher the accuracy.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)