_ Face Verification과 Identification을 모두 아우르는 얼굴 인식 기술에 대한 기술 동향_

ref: Mei Wang and Weihong Deng, "Deep Face Recognition: A Survey," 2018

• Survey
• 논문 리뷰
  • Mei Wang and Weihong Deng, "Deep Face Recognition: A Survey," CoRR, 2018
• Pre-trained Model
• Source Code
• Dataset
• Links

• Mei Wang and Weihong Deng, "Deep Face Recognition: A Survey," 2018

• Tensorflow
  • Inception ResNet v1(CASIA-WebFace)
  • Inception ResNet v1(VGGFace2) Keras
  • krasserm's openFace
  • iwantooxxoox' openFace
  • oxford's VGGface

• Keras
  • krasserm's openFace
  • iwantooxxoox's openFace

• InsightFace Git의 Dataset Zoo - 잘 정리되어있음
  • CASIA-Webface, UMDFace, VGG2, MS1M-IBUG, MS1M-ArcFace, Asian-Celeb, DeepGlint
• The Asian Face Age Dataset (AFAD)
• Trillionpairs
  • google drive

• 딥러닝을 이용한 셀럽 얼굴 인식 by kakao
• 얼굴 인식에 관한 facebook 글(http://fbsight.com/t/topic/148992)

ref: https://paperswithcode.com/

ref: https://paperswithcode.com/

2014 CVPR에서 대표적인 두 모델(DeepFace, DeepID)이 소개되면서 딥러닝 기법으로 활발히 연구가 시작된, 얼굴 인식 분야에 대해 최근 5년간의 동향을 다루고자 합니다.

1. DeepFace (CVPR/2014)

   • Training Set: 4.4M
   • CNN Layers
   • LFW 97.35%
   • 3D Alignment
   • Ensembel Model
   • Softmax
   • ref:

2. DeepID (CVPR/2014)

   • Training Set: 20W
   • CNN Layers
   • Softmax, Bayseian
   • LWF 97.45%
   • Softmax의 장점과 단점
     • Softmax는, Soft를 최대값으로 하는 것이 목표인 분류기입니다. CNN 분류 문제에서 매우 핫한 존재죠. 4가지를 분류한다고 가정하면, (x1, x2, x3, x4)의 값이 softmax 분류기에 의해 출력됩니다. 이것은 일반적으로 백분율 형태로 계산되고, 가장 큰 출력 값이 예상하는 값/결과가 됩니다.
     • Hard max vs Softmax
     • fig1~3
   • ref: Deep Learning Face Representation by Joint Identification-Verification
   • fig4

3. FaceNet (CVPR/2015)

   • Softmax 대신 Triple Loss 사용
     • Triplet loss는 (a, p, n)의 triple 형태로 최적화합니다. 서로 다른(negative)의 특징의 L2거리가 유사한(positive) 특징의 L2 거리보다 크고, 클래스 간 간소화 및 클래스간 분리가 수행됨.
       • a: anchor
       • p: positive
       • n: negative
   • LFW: 99.64%
   • Training Set: 200M
   • use only 128 dim feature mapping
   • traiplet을 구현하는 코드는 매우 까다롭고 어려움
   • paper
   • 개념
   • triplet-loss

4. Large Margin Softmax Loss (ICML/2016)

   • L-softmax는 Large Margin을 가진 softmax이다.
   • 큰 마진을 만드는 방법 = United Fully Conntected Layer + Softmax + Cross Entropy
   • Training Set: 0.49M
   • 17 CNN Layers
   • LFW: 98.72%

5. sphereFace (CVPR/2017)

   • L-softmax를 개선하여 A-Softmax 제안
   • training sample 불균형의 수가 감소
   • mapping된 feature vector 각도의 최적화에 집중
   • Training Set: 0.49M
   • 64 CNN Layers
   • LFW: 99.42%
   • (현재 additive margin 시리즈를 훈련하는 것이 간단하고 성능도 더 좋음)

6. Center Loss (ECCV/2016)

   • 카테고리에 대응하는 모든 feature vector에 대해 각 카테고리의 중심을 중앙으로 당김.
   • LFW(w/7 CNN Layers): 99.05
   • LFW(w/64 CNN Layers): 99.28
   • 다수의 클래스 센터를 유지하려면 메모리 소비가 비교적 큼.

7. Center Invariant Loss (ACM MM/2017)

8. Range Loss (ICCV/2017)

9. Ring Loss (CVPR/2018)

10. COCO | Congenerous Cosin (CVPR/2017)

11. L2-constrained Softmax Loss (Arxiv/2017)

12. NormFace (ACM MM/2017)

    • L2 HyperSphere Embedding

13. AM-softmax (ICLR/2018)

    • Additive Margin Softmax

14. CosFace (CVPR/2018)

15. ArcFace (arXiv)

    • ref: https://arxiv.org/abs/1801.07698
    • code(MXNET): https://github.com/deepinsight/insightface

16. InsightFace ()

    • code(tensorflow): https://github.com/auroua/InsightFace_TF