| 1 |
1
심층 신경망(deep neural network, DNN)을 사용한 얼굴 인식 방법으로서,얼굴을 포함하는 이미지에서 크롭된 입력 이미지로부터 얼굴 인식 장치의 제1 심층 신경망(Deep Neural Network, DNN)을 사용하여 얼굴 형태의 사전 정보를 추정하는 단계,상기 입력 이미지로부터 상기 얼굴 인식 장치의 제2 심층 신경망을 사용하여 얼굴 모양의 특징 정보를 추출하는 단계,상기 얼굴 인식 장치의 얼굴 이미지 디코더를 사용하여 상기 사전 정보 및 상기 특징 정보를 바탕으로, 최적 정렬 얼굴 이미지에 근접한 얼굴 이미지가 디코딩될 수 있도록 상기 얼굴 인식 장치를 트레이닝하는 단계, 그리고트레이닝된 얼굴 인식 장치에 포함된 제2 심층 신경망을 사용하여 추론 단계에서 목표 이미지로부터 얼굴 형태가 인지된 특징을 추출하는 단계를 포함하는 얼굴 인식 방법
|
| 2 |
2
제1항에서,상기 사전 정보를 추정하는 단계는, 상기 얼굴의 구성 요소의 윤곽을 식별하는 얼굴 키포인트 좌표 또는 파싱 맵을 상기 사전 정보로서 추정하는 단계를 포함하는, 얼굴 인식 방법
|
| 3 |
3
제1항에서,상기 트레이닝하는 단계는,상기 제1 심층 신경망, 상기 제2 심층 신경망, 및 상기 얼굴 이미지 디코더의 파라미터들을 업데이트함으로써 트레이닝을 수행하는 단계를 포함하는, 얼굴 인식 방법
|
| 4 |
4
제3항에서,상기 트레이닝을 수행하는 단계는,미니 배치 경사 하강법을 통해 상기 파라미터를 획득하는 단계를 포함하는, 얼굴 인식 방법
|
| 5 |
5
제3항에서,상기 트레이닝을 수행하는 단계는,상기 제1 심층 신경망, 상기 제2 심층 신경망, 및 상기 얼굴 이미지 디코더의 학습 파라미터에 관한 적어도 하나의 손실 함수를 바탕으로 상기 트레이닝을 수행하는 단계를 포함하는, 얼굴 인식 방법
|
| 6 |
6
제5항에서,상기 적어도 하나의 손실 함수는, 상기 제2 심층 신경망에 의해 추출된 상기 특징 정보에 관한 교차 엔트로피 손실 함수, 특징 정렬 과정의 손실 함수, 및 픽셀 정렬 과정의 손실 함수 중 하나 이상을 포함하는, 얼굴 인식 방법
|
| 7 |
7
제6항에서,상기 특징 정렬 과정은, 상기 사전 정보 및 상기 특징 정보의 결합 정보에 대한 전역 평균 풀링(global average pooling, GAP) 결과 및 상기 제2 심층 신경망으로부터 추출된 특징 맵의 GAP 결과를 비교하는 과정인, 얼굴 인식 방법
|
| 8 |
8
제6항에서,상기 픽셀 정렬 과정은,상기 얼굴 이미지 디코더에 의해 디코딩된 얼굴 이미지와 상기 최적 정렬 얼굴 이미지를 비교하는 과정인, 얼굴 인식 방법
|
| 9 |
9
제1항에서,상기 추론 단계에서 상기 목표 이미지로부터 얼굴 형태가 인지된 특징을 추출하는 단계는,상기 제2 심층 신경망에 의해 추출된 특징 정보로부터 추가 학습기를 사용하여 특징 맵을 출력하는 단계,상기 특징 맵으로부터 전역 평균 풀링(global average pooling) 레이어를 사용하여 GAP 결과를 출력하는 단계, 및상기 GAP 결과로부터 완전 연결 레이어를 사용하여 상기 얼굴 형태가 인지된 특징을 추출하는 단계를 포함하는, 얼굴 인식 방법
|
| 10 |
10
심층 신경망(deep neural network, DNN)을 사용한 얼굴 인식 장치로서,프로세서 및 메모리를 포함하고,상기 프로세서는 상기 메모리 내에 저장된 프로그램을 실행하여,얼굴을 포함하는 이미지에서 크롭된 입력 이미지로부터 얼굴 인식 장치의 제1 심층 신경망(Deep Neural Network, DNN)을 사용하여 얼굴 형태의 사전 정보를 추정하는 단계,상기 입력 이미지로부터 상기 얼굴 인식 장치의 제2 심층 신경망을 사용하여 얼굴 모양의 특징 정보를 추출하는 단계,상기 얼굴 인식 장치의 얼굴 이미지 디코더를 사용하여 상기 사전 정보 및 상기 특징 정보를 바탕으로, 최적 정렬 얼굴 이미지에 근접한 얼굴 이미지가 디코딩될 수 있도록 상기 얼굴 인식 장치를 트레이닝하는 단계, 그리고트레이닝된 얼굴 인식 장치에 포함된 제2 심층 신경망을 사용하여 목표 이미지에서 얼굴 형태가 인지된 특징을 추출하는 단계를 수행하는, 얼굴 인식 장치
|
| 11 |
11
제10항에서,상기 프로세서는 상기 사전 정보를 추정하는 단계를 수행할 때, 상기 얼굴의 구성 요소의 윤곽을 식별하는 얼굴 키포인트 좌표 또는 파싱 맵을 상기 사전 정보로서 추정하는 단계를 수행하는, 얼굴 인식 장치
|
| 12 |
12
제10항에서,상기 프로세서는 상기 트레이닝하는 단계를 수행할 때,상기 제1 심층 신경망, 상기 제2 심층 신경망, 및 상기 얼굴 이미지 디코더의 파라미터들을 업데이트함으로써 트레이닝을 수행하는 단계를 수행하는, 얼굴 인식 장치
|
| 13 |
13
제12항에서,상기 프로세서는 상기 트레이닝을 수행하는 단계를 수행할 때,미니 배치 경사 하강법을 통해 상기 파라미터를 획득하는 단계를 수행하는, 얼굴 인식 장치
|
| 14 |
14
제12항에서,상기 프로세서는 상기 트레이닝을 수행하는 단계를 수행할 때,상기 제1 심층 신경망, 상기 제2 심층 신경망, 및 상기 얼굴 이미지 디코더의 학습 파라미터에 관한 적어도 하나의 손실 함수를 바탕으로 상기 트레이닝을 수행하는 단계를 수행하는, 얼굴 인식 장치
|
| 15 |
15
제14항에서,상기 적어도 하나의 손실 함수는, 상기 제2 심층 신경망에 의해 추출된 상기 특징 정보에 관한 교차 엔트로피 손실 함수, 특징 정렬 과정의 손실 함수, 및 픽셀 정렬 과정의 손실 함수 중 하나 이상을 포함하는, 얼굴 인식 장치
|
| 16 |
16
제15항에서,상기 특징 정렬 과정은, 상기 사전 정보 및 상기 특징 정보의 결합 정보에 대한 전역 평균 풀링(global average pooling, GAP) 결과 및 상기 제2 심층 신경망으로부터 추출된 특징 맵의 GAP 결과를 비교하는 과정인, 얼굴 인식 장치
|
| 17 |
17
제15항에서,상기 픽셀 정렬 과정은,상기 얼굴 이미지 디코더에 의해 디코딩된 얼굴 이미지와 상기 최적 정렬 얼굴 이미지를 비교하는 과정인, 얼굴 인식 장치
|
| 18 |
18
제10항에서,상기 프로세서는 상기 추론 단계에서 상기 목표 이미지로부터 얼굴 형태가 인지된 특징을 추출하는 단계를 수행할 때,상기 제2 심층 신경망에 의해 추출된 특징 정보로부터 추가 학습기를 사용하여 특징 맵을 출력하는 단계,상기 특징 맵으로부터 전역 평균 풀링(global average pooling) 레이어를 사용하여 GAP 결과를 출력하는 단계, 및상기 GAP 결과로부터 완전 연결 레이어를 사용하여 상기 얼굴 형태가 인지된 특징을 추출하는 단계를 수행하는, 얼굴 인식 방법
|
