하루에도 수만개의 글자를 읽고 있습니다. 하루에도 수백장의 종이를 들춰 읽습니다.
이것은 그 읽기에 대한 일기입니다.
GroupFace: Learning Latent Groups and Constructing Group-based representations for Face Recognition
6월 11th, 2020 Posted by 룬룬
- 일반적인 분류 문제와는 달리 얼굴 인식은 성능을 평가할 때 학습 시 주어지지 않는 새로운 인물을 처리하여야 한다.
- 사람의 얼굴은 그들마다의 특징이 있으며, 이를 공유하는 사람들의 유형이 있다.
- 이러한 특징을 그룹으로 생각하여 학습에 이용하면 유용할 것이나 명시적으로 이를 분류하기에는 어려움이 있다.
- 따라서 이를 Latent Group으로 지정하고 학습을 통해 스스로 그룹핑이 이루어지게 하고 각 그룹들의 분포를 고르게 되도록 학습하였다.
- 이렇게 학습된 그룹은 탐색 시 공간을 줄여주는 효과 또한 가지고 있다.
- 기존의 softmax 기반으로 학습된 표현을 instance-based representation이라 하고 이는 잘 알려진 방법들로 학습시킨다.
- Group-aware representation은 각 그룹에 대해서 fully connected layer를 통해 embedding을 계산한다.
- Group Face는 이 둘을 통합한 것으로, 기존의 instance-based representation과 K개의 각 그룹의 group-aware representation의 가중치 합을 더하여 계산한다.
- Group-aware representation은 기존의 instance-based representatino의 backbone을 공유하여 생성된 embedding vector에 대하여 K개의 그룹에 해당하는 fully connected layer를 통해 계산된다.
- 또한 Instance-based representation을 몇개의 fully connected layer로 구성된 GDN을 통하여 각 그룹에 속할 확률을 추정한다.
- 추정된 확률값을 이용하여 최고 값을 가지는 그룹만을 이용하는 H-GroupFace, 각 확률을 그룹에 적용하여 가중치 합을 이용하는 S-GroupFace의 방법으로 구분된다.
- S-GroupFace이 성능이 좋으나, 실제 사용 시에는 H-GroupFace가 더 알맞다.
- 또한 embedding feature에 더해서 GDN 계산 중에 생성되는 중간 feature를 사용하는 거리 계산법인 Group-aware similarity를 제안하였다.
Add a Comment Trackback