[논문]컨벌루션 모델과 트랜스포머 모델을 이용한 얼굴식별 알고리즘의 지역 사회 모니터링시스템 적용에 관한 연구

담하의; 민병원

doi:10.20465/kiots.2023.9.5.061

초록
AI-Helper

스마트 지역사회 건설이 추진됨에 따라 지역사회의 지능화와 안전성이 크게 향상되었으며, 스마트 지역사회 보안을 더욱 구축하기 위해 본 연구에서는 지역사회 모니터링 비디오 화면을 기반으로 얼굴 식별을 구현하여 의심스러운 사람들의 출현을 보다 정확하게 식별하고 경고하는 것이다. 모니터링되는 영상 화면의 낮은 픽셀과 촬영 각도 변화와 같은 요인으로 인해 얼굴 화면을 캡처하는 데 어려움이 있음을 고려하여 최적화 해결방법을 제안한다. 첫째, 컨벌루션 모듈과 비전 트랜스포머 모듈을 결합한 경량화적인 얼굴 감지 네트워크를 전체적으로 검색하는 것을 설계했다. 네트워크의 전체 검색 능력을 향상시키기 위해 Vision Transformer 모듈을 네트워크에 처음으로 추가했다. 둘째, Vision Transformer 모듈에 대해 심층 구조 최적화를 수행했는데, 특징 블록 추출 및 분할 단계에서 모듈의 매개변수 수를 줄이기 위해 풀링 레이어가 추가되었다. 동시에 특성 블록과 특성 맵을 일치시켜 특성 간의 연관성을 향상시킨다. 셋째, 얼굴 정렬 단계에서 Anchor Free 메커니즘을 기반으로 타원형 얼굴 위치 영역을 설계했다. 이렇게 하면 얼굴과 더 정확하게 일치시키고 배경 정보의 간섭을 줄이며 최종 식별을 더 정확하게 할 수 있다. 넷째, 유클리드 공간 거리를 사용하여 얼굴의 유사성을 계산하여 사람의 신분을 결정한다. 관련 실험 테스트 후, 설계한 얼굴 감지 네트워크는 감지 정확도가 평균 3.11% 향상되어 97.19%에 도달했다. 얼굴 식별 측면에서 모델 인식 정확도는 평균 3.43% 향상되어 95.84%에 도달했다.

Abstract ▼ AI-Helper

The promotion of intelligent security community construction has greatly enhanced the intelligence and safety of residential areas. In order to further establish a security-oriented community, this paper proposes the utilization of facial recognition based on community surveillance footage to identi...

The promotion of intelligent security community construction has greatly enhanced the intelligence and safety of residential areas. In order to further establish a security-oriented community, this paper proposes the utilization of facial recognition based on community surveillance footage to identify suspicious individuals. To address the difficulties in capturing facial images caused by factors such as low pixel resolution and varying shooting angles in surveillance footage, the following optimization strategies are proposed in this paper : Firstly, a lightweight global search facial detection network is designed based on convolutional modules and Vision Transformer modules. The Vision Transformer module is introduced to enhance the global retrieval capability of the network. Secondly, the structure of the Vision Transformer module is optimized by adding pooling layers in the feature block extraction and segmentation stage to reduce the number of module parameters. The feature blocks are mapped and computed with the feature maps to improve the corresponding feature correlation. Thirdly, in the face alignment stage, an Anchor Free mechanism is adopted to generate elliptical face localization regions for more accurate fitting of faces and reducing interference from other background information in the final identity recognition stage. Finally, the similarity between faces is calculated using Euclidean space distance to determine corresponding personnel identities. Through relevant experiments and tests on the self-built facial identity dataset in this paper's residential surveillance system, the proposed facial detection network achieves an average improvement of 3.11% in detection accuracy compared to other detection networks, reaching 97.19%. In terms of facial identity recognition, the designed model achieves an average improvement of 3.43% with a recognition accuracy of 95.84.

주제어

표/그림 (10)

그림 [Fig. 1] Preprocessing Operations in the Vision Transformer Module
그림 [Fig. 2] Vision Transformer Self Attention Calculation
그림 [Fig. 3] Transformer-Lite Module Structure
그림 [Fig. 4] Feature Block and Fine Grain Conversion of Feature Map
그림 [Fig. 5] Feature Extraction Network Structure
그림 [Fig. 6] Anchor Free detector design
그림 [Fig. 7] Schematic diagram of face feature comparison
표 Comparative Test Results of Ablation Experiment
표 Comparative Test Results
그림 [Fig. 8] Examples of face detection and recognition.

참고문헌 (15)

W.Xin, L.Xiaonan, G.Huanbing, Z.Ziming, and？Z.Yinlong, "Fall Detection Algorithm for Workshop？Workers Based on Visible-to-Thermal Infrared Visual？Monitoring", Control and Decision, pp.1-9, 2023.
Z.Dexiang, W.Jun, Y.Peicheng, "Multi-scale All-scene？Object Detection Method Based on Attention？Mechanism ", Journal of Electronics and Information？Technology, Vol.44, No.09, pp.3249-3257, 2022.
X.Guishu, Z.Zihan, W.Yongchao, Z.Hongchao, and？X.Weiji, "Transformer-based Face Recognition Method？with Multi-level Feature Fusion ", Journal of Sichuan？University (Natural Science Edition), pp.1-8, 2023.
J.Ruirui, X.Yuhui, L.Fengkai, and M.Yuan. "Improved？Visual Transformer-based Face Recognition Method ",？Journal of Computer Engineering and Applications,？Vol.59, No.08, pp.117-126, 2023.
L.Jian, D.Jianiang, Z.Yanchen, and G. Yongkun. "A？Survey on Transformer-based Object Detection？Algorithms ", Journal of Computer Engineering and？Applications, Vol.59, No.10, pp.48-64, 2023.
L.Qingge, Y.Xiaogang, L.Ruitao, W.Siyu, X.Xueli, and？Z.Tao. "A Survey on the Development of Transformer？in Computer Vision ", Small and Micro Computer？Systems, Vol.44, No.04, pp.850-861, 2023.
L.Xiang, Z.Tao, Z.Zhe, W.Hongyang, and Q.Yurong. "A？Survey on Transformer Research in Computer Vision？", Journal of Computer Engineering and Applications,？Vol.59, No.01, pp.1-14, 2023.
M.Yao, Zhimin, Y.Yanjun, and Pingping. "A Survey on？CNN and Transformer Applications in Fine-Grained？Image Recognition", Journal of Computer Engineering？and Applications, Vol.58, No.19, pp.53-63, 2022.
T.Shuang, H.Wei, and D.Yi. "Light-weight Face？Recognition Method with Feature Masking ", Journal？of Inner Mongolia University (Natural Science？Edition), Vol.54, No.03, pp.272-280, 2023.
L.Yunhong, L.Xingrui, X.Rongrong, S.Xueping, Z.Leitao,？and B.Xiaohua. "Low-Resolution Face Recognition？Based on Super-Resolution Reconstruction and Public？Feature Subspace", Journal of Northwest University？(Natural Science Edition),Vol.53, No.02, pp.241-247,？2023.
Y.Jie, H.Jin, and S.Haode, "Masked Face Recognition？Method Based on Lightweight Network", Electronic？Measurement Technology, Vol.46, No.06, pp.159-165,？2023.
F.Schroff, D.Kalenichenko, and J.Philbin, "FaceNet: A？Unified Embedding for Face Recognition and？Clustering", IEEE,？DOI:10.1109/CVPR.2015.7298682, 2015.
H.Wang, Y.Wang, and A.Zhoul, "CosFace: Large Margin？Cosine Loss for Deep Face Recognition", computer？vision and pattern recognition, pp.5265-5274, 2018.
J.Deng, J.Guo, and S.Zafeiriou, "ArcFace: Additive？Angular Margin Loss for Deep Face Recognition",？DOI:10.48550/arXiv.1801.07698, 2018.
I.Perov, D.Gao, and N.Chervoniy, "DeepFaceLab: A simple,？flexible and extensible face swapping framework",？DOI:10.48550/arXiv.2005.05535, 2020.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (10)

표/그림 (10)

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (10) 모든 표/그림 보기

표/그림 (10) 슬라이드로 보기

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

민병원 (34)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

초록
AI-Helper

표/그림 (10)

표/그림 (10)