$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

가중치 합산 기반 안면인식 특징점 저장 알고리즘 연구
Study on Weight Summation Storage Algorithm of Facial Recognition Landmark 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.22 no.1, 2022년, pp.163 - 170  

조성욱 (한국산업기술대학교 컴퓨터공학부) ,  유영균 (한국산업기술대학교 컴퓨터공학부) ,  곽광진 (한국산업기술대학교 자율제어연구실) ,  박정민 (한국산업기술대학교 컴퓨터공학과)

초록
AI-Helper 아이콘AI-Helper

본 논문은 실생활 속 정제되지 않은 입력으로 인해 안면의 특징점을 추출하여 객체 인식 모델의 이상적인 성능과 속도를 보증해주지 못하는 문제점을 가중치 합산을 통한 저장 알고리즘을 통해 개선하는 방법을 소개한다. 많은 안면인식 프로세스들은 이상적인 상황에서의 정확도를 보장해주지만, 실생활에서 발생할 수 있는 수많은 방해요인에 대해서는 대처하지 못한다는 문제점이 주목받고 있으며 이는 곧 보안과 밀접하게 관련된 안면인식 프로세스에서 심각한 문제를 발생할 수도 있다. 본 논문에서는 사람의 고유한 특징점은 사진의 구도 등의 여러 변수가 있어도 결국 평균적인 하나의 형태를 띤다는 점을 이용하여 입력으로 추출된 특징점을 여러 방해 요인에 과적합 되어있지 않은 소수의 특징점과 비교를 통해 실시간으로 빠르게, 그리고 정확하게 안면인식을 할수 있는 방법을 가중치 합산방식을 통하여 제시한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

This paper introduces a method of extracting facial features due to unrefined inputs in real life and improving the problem of not guaranteeing the ideal performance and speed of the object recognition model through a storage algorithm through weight summation. Many facial recognition processes ensu...

주제어

#Face Landmark Storage Algorithm   #Face Recognition   #Face Landmark Detection   #Weighted Sum Algorithm   #Object Detection  

표/그림 (11)

AI 본문요약
AI-Helper 아이콘 AI-Helper

제안 방법

  • 본 논문은 해당 문제를 다루기 위하여 사람의 고유한 특징점은 여러 변수가 있어도 결국 평균적인 하나의 형태를 띤다는 점을 이용하여 입력받는 특징점에 가중치를 준 정제방식을 사용해 서술한 문제점을 해결하기 위한, 즉 가중치로 정제된 특징점으로 시간 복잡도는 처음 1회만 저장했을때와 가깝게 유지하며 기존의 방법들로 유지했을 때 가장 큰 문제점이었던 낯선 사람을 잘못 인식하는 치명적인 문제를 해결하려는 개선점을 통해 실시간 얼굴인식 프로세스에서 모델의 속도와 정확도를 보장하려는 방법을 제시한다.
  • 이런 문제점들을 해결하기 위해 본 논문은 사람의 고유한 특징점은 여러 변수가 있어도 결국 평균적인 하나의 형태를 보인다는 특징을 이용하여 기존의 특징 점과 입력받는 특징점에 적절한 가중치를 포함하여 더하는 정제방식을 사용한다. 본 논문이 제시하는 방법을 이용한다면 시간 복잡도는 O(n)와 가깝게 유지하며 낯선 사람이 들어왔을 때 잘못 인식하는 치명적인 문제를 해결하는 데 도움을 줄 수 있어 실시간 안면인식 프로세스에서 모델의 속도와 정확도를 보장하려는 방법을 제시한다.
  • 이런 문제점들을 해결하기 위해 본 논문은 사람의 고유한 특징점은 여러 변수가 있어도 결국 평균적인 하나의 형태를 보인다는 특징을 이용하여 기존의 특징 점과 입력받는 특징점에 적절한 가중치를 포함하여 더하는 정제방식을 사용한다. 본 논문이 제시하는 방법을 이용한다면 시간 복잡도는 O(n)와 가깝게 유지하며 낯선 사람이 들어왔을 때 잘못 인식하는 치명적인 문제를 해결하는 데 도움을 줄 수 있어 실시간 안면인식 프로세스에서 모델의 속도와 정확도를 보장하려는 방법을 제시한다.

대상 데이터

  • 이는 본 논문의 취약점이며 수천, 수만의 데이터가 입력됐을 때의 정확도는 더 낮아질 것으로 예상된다. 인당 100장~120장의 입력이 무작위로 들어갔다.

이론/모형

  • Step1~3을, 즉 전처리를 거친 특징점을 가지고 본 논문의 핵심 주제인 가중치 합산 알고리즘을 이용한다. 이는 다음 알고리즘 구조에서 자세하게 서술한다.
본문요약 정보가 도움이 되었나요?

참고문헌 (8)

  1. W, Mei, and W Deng. "Deep face recognition: A survey." Neurocomputing Vol. 429, pp. 215-244, 2021. DOI: https://doi.org/10.1016/j.neucom.2020.10.081 

    상세보기 crossref

  2. Deng, J., Guo, J., Zhou, Y., Yu, J., Kotsia, I., & Zafeiriou, S. "Retinaface: Single-stage dense face localisation in the wild." arXiv 1905.00641. 2019. DOI: https://arxiv.org/abs/1905.00641 

  3. S. J. Kim and J. J. Lee, "A Study on Face Recognition Using Diretional Face Shape and SOFM." The Journal of The Institute of Internet, Broadcasting and Communication, Vol. 19, No. 6, pp.109-116. 2019. DOI: https://doi.org/10.7236/JIIBC.2019.19.6.109 

    원문보기 상세보기 crossref

  4. S., J., Kim, and J., J., Lee "A Study on Face Recognition using Support Vector Machine," The Journal of The Institute of Internet, Broadcasting and Communication, Vol.16, No.6, pp. 183-190, 2016. DOI : https://doi.org/10.7236/JIIBC.2016.16.6.183 

    원문보기 상세보기 crossref

  5. Marler, R. T., & Arora, J. S. "The weighted sum method for multi-objective optimization new insights." Structural and multidisciplinary optimization, Vol.41 No.6, pp. 853-862. 2010 DOI: https://doi.org/10.1007/s00158-009-0460-7 

    상세보기 crossref

  6. He, K., Zhang, X., Ren, S., & Sun, J. "Deep residual learning for image recognition." In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 770-778. 2016 

  7. Lin, T. Y., Dollar, P., Girshick, R., He, K., Hariharan, B., & Belongie, S. "Feature pyramid networks for object detection." In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 2117-2125. 2017. 

  8. He, T., Zhang, Z., Zhang, H., Zhang, Z., Xie, J., & Li, M. "Bag of tricks for image classification with convolutional neural networks." In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. pp. 558-567, 2019. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로