Face Recognition
자율주행은 인지-판단-제어 (Sense-Think-Act) 과정을 거친다.
여러 센서를 통해 주변을 인지하고 자신과 주변 상황에 대한 판단, 그에 따른 제어를 통해 움직인다.
- 레이더(Rader)의 경우 전자기파를 보내 물체에 전자기파가 부딪혀 반사된 것을 측정해 물체의 위치와 속도를 계산한다. 날씨나 어두운 환경에서도 측정이 잘 되지만 작은 물체의 식별이 어렵고 물체 종류에 대해 판독할 수 없다. (라이다보다 정밀성이 떨어진다.)
- 라이다(Lidar)는 레이저 빛이 물체에 부딪혀 반사되는 시간을 측정해 물체의 거리를 계산한다. 이를 이용해 물체를 탐지하고 주변 환경에 대해 파악해 주행을 위한 지도 생성이 가능하다. 하지만 레이더에 비해 물체 감지 거리가 짧고 측정 시 기후 등 환경에 대한 영향을 받는다.
- 카메라는 빛을 이용해 이미지를 캡쳐하고 이미지 분석을 통해 사물 인식이 가능하다. 사물의 형태, 색상을 인식해 차선이나 사람 등을 인식할 수 있다. 빛이 적은 어두운 곳이나 날씨 영향을 받는 단점이 있다.
이중 컴퓨터 비전, 카메라를 통한 인식을 공부했고 그중 RetinaFace에 대해 예를 들었다.
RetinaFace는 작은 얼굴이나 부분적으로 가려진 얼굴(마스크 착용 등 가려진 경우)과 같이 어려운 조건에서도 정확한 얼굴 탐색이 가능한 모델로 유명하다.
Multitask learning의 대표적인 예이며 Multitask learning이란 한 번에 여러 가지 학습을 하는 것을 말한다. RetinaFace에서는 얼굴을 탐색해 박스로 표시하고 Landmark detection이라 하여 눈, 코, 입꼬리 총 5개 부분을 알아낸다.
그리고 self-supervised learning을 이용하는데 레이블이 달려있지 않은, 사람이 답을 제공해주지 않은 데이터를 사용해 학습한다. 또한 Object detection 알고리즘 중 Single stage를 이용해 객체 검출, 분류, 박스 처리까지 한 번에 함으로써 빠른 실행을 이끌 수 있다.
Context modeling, 주변 환경을 반영한 탐색을 함으로써 모델 성능을 더 향상시켜 사진 속 매우 작은 얼굴까지 검출이 가능한 특징이 있다. 3D renderering을 더해 3D 얼굴 이미지로 변환도 할 수 있다고 한다.