한정된 데이터베이스에서의 심층 신경망 얼굴인식 성능 향상
저자
발행사항
서울 : 연세대학교 대학원, 2017
학위논문사항
학위논문(석사)-- 연세대학교 대학원 : 전기전자공학과 2017. 2
발행연도
2017
작성언어
한국어
주제어
발행국(도시)
서울
기타서명
Face recognition based on deep neural network with limited training data
형태사항
vii, 39장 : 삽화(일부천연색) ; 26 cm
일반주기명
지도교수: 이상윤
소장기관
We consider the problem of improving face recognition system using deep neural network (DNN) in case that the size of database is limited. Even though there are many published state-of-the-art deep neural network based face recognition systems, most of them do not release their face database that they used for training. This makes it difficult to make a progress on developing new face recognition systems. In addition, the lack of training data makes even more difficult to improve face recognition rate considering face feature extraction is more challenging than that of object recognition.
Thus, in this paper, we used accelerated DNN to improve the performance without acquiring additional face data.
The order of face recognition system is as follows. First, face detector detects the face region. Second, face landmark detector detects facial landmark points within previously detected face region. Third, detected facial landmark points are used for data pre-processing. Afterwards, DNN is trained by obtained pre-processed data.
From the experiments, proposed method not only showed 8.52% decrease of softmax loss but also increased the accuracy from 96.53% to 97.3% when using ReLU activation function. This is a significant performance improvement considering the baseline algorithm only achieved the accuracy of 97.13% when trained for 2 weeks but proposed algorithm attained 97.3% accuracy only in 3 days using an identical GPU.
본 논문에서는 데이터베이스의 규모가 한정된 상황에서 심층 신경망 기반 얼굴 인식 시스템의 학습 능력을 극대화하여 데이터베이스의 양적 한계를 극복하는 모델 설계 방안을 제안한다. 심층 신경망 얼굴 인식 분야는 이미 이전부터 연구되었던 분야이고 높은 인식률을 보인 경우가 많았지만, 공개된 고성능 알고리즘 대부분이 학습 데이터베이스를 공개하지 않아 새로운 얼굴 인식 시스템 구현에 한계가 있었다. 또한, 얼굴 인식 분야는 물체 인식 분야에 비해 특징 추출 방법이 복잡하고 특히 데이터베이스 규모가 제한된 상황은 학습에 불리하여 고성능 알고리즘 구현에 큰 제약을 받는다. 따라서 본 논문에서는 심층 신경망 얼굴 인식 시스템의 학습을 가속화시켜 동일한 데이터를 학습하였을 때 인식 성능을 기존 시스템 대비 향상시킴으로써 데이터베이스의 양적 한계를 극복하였다.
실험 결과, 동일 데이터베이스를 그래픽 처리 장치로 3일간 학습하였을 때 에러 값이 기존 대비 평균 8.52% 감소하였다. 또한, 최종 인식률이 기존 96.53%에서 97.3%로 향상 되었다. 기존 알고리즘은 2주일 동안 학습하여도 97.13%의 더 낮은 성능이 나온 반면에 제안 알고리즘은 약 4배 적은 시간 안에도 그보다 더 높은 성능을 보였다. 따라서 인식 성능이 큰 폭으로 향상된 것을 확인할 수 있다.
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)