얼굴인식 관련 조사
| 2단계: 특징점 추출과 벡터 변환 감지된 얼굴에서 고유한 특징을 추출하는 단계입니다. 눈 코 입의 위치와 형태 얼굴 윤곽선 그리고 각 부위 간의 거리와 비율 등이 수치화됩니다. 현재는 딥러닝 기반의 임베딩(Embedding) 기술을 통해 얼굴의 특징을 고차원 벡터로 변환합니다. 이 벡터는 개인마다 고유한 값을 가지며 얼굴인식의 핵심 데이터가 됩니다. Siamese Network와 학습 방식 최신 얼굴인증 시스템에서는 Siamese Network 구조가 널리 사용됩니다. 이는 동일한 가중치를 공유하는 두 개의 신경망이 각각 서로 다른 얼굴 이미지를 처리한 후 그 결과를 비교하는 방식입니다. Triplet Loss 함수를 사용하여 같은 사람의 얼굴 간 거리는 가깝게 다른 사람의 얼굴 간 거리는 멀어지도록 학습시킵니다. |
[링크 : https://www.alchera.ai/resource/blog/face-authentication-628a0]
| DeepFace는 2014 년 Facebook 연구 그룹이 만든 심층 컨볼루션 신경망을 기반으로 하는 안면 인식 시스템입니다. 디지털 이미지에서 사람의 얼굴을 식별합니다. 97 %의 정확도로 얼굴 인식에 딥 러닝을 사용하는 것이 큰 도약이었습니다. DeepID 또는 "Deep hidden IDentity 기능"은 Yi Sun 등에 의해 처음 설명 된 일련의 시스템 (예 : DeepID, DeepID2 등)입니다. 2014 년 논문에서“1 만개의 클래스를 예측하는 심층 학습 얼굴 표현”이라는 제목의 논문에서 시스템은 DeepFace와 유사하게 처음 설명되었지만 대조적인 손실을 통한 교육을 통해 식별 및 검증 작업을 모두 지원하도록 확장되었습니다. VGGFace (더 나은 이름이 없음)는 Omkar Parkhi 등이 개발했습니다. 옥스포드의 VGG (Visual Geometry Group)의 2015년 논문 인 "Deep Face Recognition (딥 얼굴 인식)"에 설명되어 있습니다. 더 잘 조정 된 모델 외에도 작업의 초점은 매우 큰 훈련 데이터 세트를 수집하고 사용하는 방법에 있었습니다. 이를 통해 얼굴 인식을 위한 매우 깊은 CNN 모델을 훈련시켜 표준 데이터 세트에서 최첨단 결과를 얻을 수 있었습니다. FaceNet은 2015 년 Google 연구원이 개발한 얼굴 인식 시스템으로, 다양한 얼굴 인식 벤치 마크 데이터 세트에서 최첨단 결과를 달성했습니다. FaceNet 시스템은 모델의 여러 타사 오픈 소스 구현 및 사전 훈련된 모델의 가용성 덕분에 광범위하게 사용할 수 있습니다. |
[링크 : https://jjeongil.tistory.com/830]
| 딥러닝을 이용하는 최근의 방법들도 종래의 "PCA(Principle Component Analysis)와 ICA(Independent Component Analysis)"와 유사한 방법을 사용하는데, 오토인코더(Autoencoder)와 같은 인공신경망도 낮은 차원의 벡터로 얼굴 정보를 임베딩(Embedding)하여 차원을 축소한다.< |
[링크 : https://mangastorytelling.tistory.com/entry/ITFIND-인공지능과-얼굴-정보-처리-기술]
yolo face
[링크 : https://github.com/YapaLab/yolo-face]
Face PSIM
[링크 : https://www.axxonsoft.com/products/integration/face-recognition]
| Physical Security Information Management |
[링크 : https://www.ifsecglobal.com/psim/]
| ResNet-50 / ResNet-100 Inception-ResNet MobileNetV2 (모바일용) EfficientNet (경량 고성능) FaceNet (Google, 2015) ArcFace (DeepInsight, 2018) InsightFace (2020~) |
[링크 : https://techoutside.co.kr/58]
arcface
[링크 :https://blog.naver.com/damtaja/223590383667] learnopencv 번역
| 평균제곱 차이 유사도 - msd(mean squared difference) 코사인 유사도 피어슨 유사도 - 코사인 유사도의 단점 보완 |
[링크 : https://blog.naver.com/thinkhong99/222629093644]
| 자카드 유사도(jaccard Similarity) - 두 벡터의 교집합/합집합을 구함 코사인 유사도 |
[링크 : https://blog.naver.com/smmok/222439545464]
| jaccard index euclidean distance cosine similarity - 임베딩이라고 하는 벡터값 필요 TD-IDF Wiord2vec Doc2Vec ELMo (신경망 기반) BERT (신경망 기반, 자연어 처리 최고 성능) |
[링크 : https://medium.com/cdri/머신러닝-모델로-성분-규제-데이터-의미있게-활용하기-be56461eab2c]
| 픽셀 기반 유사도 측정 - MSE(Mean Squared Error) 픽셀 기반 방법 - PSNR (Peak SNR) , MSE 기반으로 SNR 을 계산 구조기반 - SSIM (Structural Similarity Index) - 밝기 대비 구조를 이용 특징기반 - SIFT (Scale-Invariant Feature Transform) - 특징점 추출 매칭 특징기반 - SURF (Speeded Up Robust Features) - SIFT 대안, openCV 3.4.2 이상 비활성화됨(옵션활성화 후 빌드하면 사용가능) 벡터공간 - 코사인 유사도, hamming distance(이진벡터간의 차이를 측정) |
[링크 : https://pupbani.tistory.com/285]
| 거리기반 - 유클리디안 거리 (최단거리) - 맨하튼 거리 (직각거리) - 체비쇼프 거리 (가징 긴 거리) - 민코프스키 거리 (?????) - 하버사인 거리 (구체의 표면 이동 거리) 관계기반 - 코사인 유사도 - 해밍거리 (두 비트열에 서로 다른 기호의 개수로 산출) - 자카드 인덱스 (합집합과 교집합의 비율로 산출) - 소렌슨-다이슨 인덱스 (공통 원소 와 평균 원소의 비율) |
[링크 : https://blog.skby.net/유사도-측정법-similarity-measure/]
[링크 : https://t2match.kr/wp-content/uploads/ETRI_AI_01_face_recognition_tech.pdf]