초록 ▼

연구개요
최근 깊은 신경망 네트워크 학습(Deep Neural Network Learning)을 이용한 학습법이 발전하면서 얼굴인식 관련 연구가 많이 진행되었다. 그 중에서 외부적인 조건들(포즈, 조명, 표정 등)로 인해서 정확도가 낮아질 수 있다. 이러한 현상은 3차원 데이터에 포함된 정보를 2차원 데이터로 압축하는 과정에서 발생하는 정보 손실 때문이다. 본 연구에서 얼굴 데이터에서 정확한 정보를 얻는 것을 보이기 위해서 얼굴의 주요한 지점(landmark)을 가리키는 모델을 제안하고자한다. 또한 다양한 상황에서 데이터를 실

연구개요
최근 깊은 신경망 네트워크 학습(Deep Neural Network Learning)을 이용한 학습법이 발전하면서 얼굴인식 관련 연구가 많이 진행되었다. 그 중에서 외부적인 조건들(포즈, 조명, 표정 등)로 인해서 정확도가 낮아질 수 있다. 이러한 현상은 3차원 데이터에 포함된 정보를 2차원 데이터로 압축하는 과정에서 발생하는 정보 손실 때문이다. 본 연구에서 얼굴 데이터에서 정확한 정보를 얻는 것을 보이기 위해서 얼굴의 주요한 지점(landmark)을 가리키는 모델을 제안하고자한다. 또한 다양한 상황에서 데이터를 실시간으로 수집하여 외부환경 변화에 강건한 학습 모델을 제안한다.

연구 목표대비 연구결과
본 연구는 크게 세 가지 분류에서 진행되었으며 목표와 진행 내용은 다음과 같다.
1) 2차원 데이터에서 얼굴의 주요 지점을 찾는 모델 제안
- Dilated Skip Convolution를 이용한 얼굴 주요 지점(landmark) 검출
2) 영상 데이터에서 추적 학습(Tracking Learning)을 위한 실시간 데이터 추출 및 학습 모델 제안
- 영상 데이터에서 검출된 이미지의 위치기반 tracker를 이용하여 실시간 데이터 추출 모델 제안
- 추출된 데이터들의 학습속도를 가속화하기 위해 두 가지 학습을 부분적으로 진행하는 Two-Stream 학습 모델 제안
3) 빅데이터 기법을 활용한 인식 및 학습 속도 개선 모델 제안
- 맵리듀스를 활용한 Capsnet 학습 모델을 제안하여, 기존 Capsnet의 학습 속도가 떨어지는 것을 개선
- 딥러닝 학습이 전체적으로 진행되야하는 것을 개선하기 위해 지역 학습을 통한 모델 개선을 통해서 학습 속도 개선

연구개발결과의 중요성
- 본 연구에서 진행한 Dilated Skip convolution을 활용한 방식은 landmark를 찾을 때 정확한 얼굴의 key point를 찾을 수 있으므로 정확도 개선
- 표정변화나 혹은 가려진 부분을 추측 및 복원하는 모델에서 성능 개선에 활용 될 수 있으리라 기대됨
- 얼굴 인식에 detection 이후 saimese tracker를 이용하는 방식은 시간이 연속적인 상황에서 얼굴 인식의 정확도를 개선함
- 실시간 영상 데이터의 경우 위치정보를 연속적으로 추적하기 때문에 정확도를 더 올릴 수 있을 뿐 아니라 빠른 학습 및 얼굴 인식이 가능
- 영상 데이터 내에서 얼굴 데이터를 수집가능
- 분산처리 기법을 활용해 딥러닝 학습 속도 개선

(출처 : 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 4
• 2. 연구수행내용 및 연구결과 ... 4
• 2.1 Facial Landmark Detection using Dilated Skip Convolution(DSC) ... 4
• 2.2 영상 데이터에서 실시간 추적 학습(Tracking Learning) 모델 : TLD Process ... 6
• 2.3 맵리듀스를 활용한 캡슐 네트워크를 통한 학습 가속화 ... 7
• 2.4 유동적인 지역 반복을 통한 학습 가속화 ... 8
• 2.5 Two-stream 방식을 도입한 2D Video data 학습 ... 9
• 3. 연구개발결과의 중요성 ... 11
• 4. 참고문헌 ... 12
• 5. 연구성과 ... 13
• 끝페이지 ... 14