부분 폐색 영역의 GAN 기반 복원을 통한 효과적 얼굴인식 기법
An Effective Face Recognition Scheme through GAN-based Restoration of Partially Occluded Areas
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
비전 기반의 객체 인식에 있어 항상 최적의 영상을 기반으로 식별을 진행하기에는 현실적으로 다양한 제약이 존재한다. 예를 들어, 관심 객체의 영상획득 시 간섭을 일으키는 물체의 존재와 같은 이유로 인해 객체의 일부가 가려져 있을 수 있다. 인물의 얼굴 분류에 있어서도 마스크와 같은 폐색물이 존재할 경우 원래의 학습된 모델을 통한 분류 진행시 정확도가 떨어지는 문제가 발생할 수 있다. 이를 극복하기 위하여 GAN 기반의 폐색 영역 복원 기법 및 임베딩 벡터의 거리에 따른 학습 알고리즘인 ArcFace Loss 모델을 결합한 파이프라인을 제안해 부분 폐색된 얼굴의 인식률을 높이고자 한다. 본 논문에서는 폐색된 얼굴 이미지의 대표적인 예인 마스크 착용 인물의 학습 및 분류를 바탕으로 성능을 평가한다. 결과로 Accuracy와 F-1 Score에서 일반적인 얼굴 학습에 비하여 각기 68%와 0.62의 성능향상을 확인하였다.
Abstract
In the vision-based object recognition, there are practically various limitations to always proceed with the identification based on the optimal image. For example, a part of the object may be occluded due to the presence of an object causing interference when acquiring an image of the object of interest. Even in the face classification of a person, if there is an occlusion such as a mask, there may be a problem that the accuracy is lowered when the classification is performed through the conventional trained model. To overcome this, we propose a pipeline that combines the GAN-based occlusion area restoration technique and the ArcFace Loss model, a machine learning algorithm based on the distance of the embedding vector, to increase the recognition accuracy of partially occluded faces. In this paper, the performance is evaluated based on the classification of a mask-wearing person, a representative example of an occluded face image. As a result, performance improvements of 68% and 0.62 were confirmed in Accuracy and F-1 Score, respectively, compared to conventional face learning.
참고문헌 (16)
- Walter J. Scheirer, "Toward Open Set Recognition", IEEE Transactions on Pattern Analysis and Machine Intelligence, pp.1757~1772 (2013)
- "FaceNet: A Unified Embedding for Face Recognition and Clustering"[URL]
- "ArcFace:Additive Angular Margin Loss for Deep Face Recognition"[URL]
- Altman, N. S., "An introduction to kernel and nearest-neighbor nonparametric regression", The American Statistician, pp.175~185 (1992)
- 김민제, "A Study on Person Re-identification in Multi-view Surveillance Videos", 한국차세대컴퓨팅학회 논문지, 17(1), pp.16~24 (2021), 한국차세대컴퓨팅학회[DOI]
- 이영찬, "반려동물 피부영상에서의 질환 검출을 위한 딥러닝 기반 털 영역분할 기법: 기존 방법의 적용성 평가", 한국차세대컴퓨팅학회 논문지, 18(2), pp.59~74 (2022), 한국차세대컴퓨팅학회[DOI]
- 챠이트라 다야난다, "Skin lesion segmentation based on spatial group convolutions in dermoscopic images", 한국차세대컴퓨팅학회 논문지, 17(5), pp.54~63 (2021), 한국차세대컴퓨팅학회[DOI]
- I. Goodfellow, "Generative adversarial nets", iAdvances in Neural Information Processing Systems 27(NIPS 2014), pp.2672~2680 (2014)
- Jiahui Yu, "Generative Image Inpainting with Contextual Attention", 2018IEEE, 2018, ~
- Nizam Ud Din, "A Novel GAN-Based Network for Unmasking of Masked Face", IEEE Access, 8, pp.44276~44287 (2020)
- S. Iizuka, "Globally and locally consistent image completion", ACM Trans. Graph., 36(4), pp.1~14 (2017)
- M. K. J. Khan, "Interactive removal of microphone object in facial images", Electronics, 8(10), pp.1115~ (2019)
- "Masked Face Recognition for Secure Authentication"[URL]
- Guo, Y., "Ms-celeb-1m: A dataset and benchmark for large-scale face recognition", European conference on computer vision, pp.87~102 (2016)