얼굴 매칭 알고리즘 심층 분석 (1) (KO)

핵심 내용 1 얼굴 매칭 알고리즘(ArcFace, CosFace 등)은 딥러닝을 활용하여 얼굴을 수치 벡터로 표현하는 고유한 얼굴 임베딩을 생성합니다.

핵심 내용 2 핵심 원리는 동일 인물의 임베딩 간 거리를 최소화하고, 다른 인물의 임베딩 간 거리를 최대화하는 것입니다.

핵심 내용 3 손실 함수 및 학습 데이터 세트의 발전으로 얼굴 매칭 시스템의 정확성과 안정성이 크게 향상되어 신원 확인에 매우 중요하게 사용됩니다.

핵심 내용 4 최신 얼굴 매칭 시스템은 누구인지 식별하는 것뿐만 아니라 실제 인물인지 확인(라이브니스 감지)하여 스푸핑을 방지하는 데 중점을 둡니다.

얼굴 매칭 이해: 단순 인식을 넘어

얼굴 매칭의 개념은 이미지나 비디오에서 사람을 식별하는 것 이상으로 확장됩니다. 이는 개인의 얼굴 특징을 알려진 기준(참조)과 비교하여 신원을 확인하는 것으로, 신원 확인, 접근 제어 및 사기 방지와 같은 애플리케이션에 매우 중요한 프로세스입니다. 기존의 얼굴 인식이 누구인지 식별하는 데 중점을 두었다면, 얼굴 매칭은 제시된 얼굴이 주장하는 신원과 일치하는지 *확인*하는 데 중점을 둡니다. 이러한 차이점은 보안 및 규정 준수와 관련하여 매우 중요합니다.

딥러닝과 얼굴 임베딩의 부상

초기 얼굴 인식 시도는 수작업으로 만든 특징과 비교적 간단한 알고리즘에 의존했습니다. 그러나 딥러닝, 특히 Convolutional Neural Networks(CNN)의 발전은 이 분야에 혁명을 일으켰습니다. 현대 생체 인식 시스템은 이제 CNN을 사용하여 얼굴 이미지에서 고차원 특징 벡터인 얼굴 임베딩을 추출합니다. 이러한 임베딩은 얼굴의 고유한 “지문”을 나타냅니다. 이러한 임베딩의 품질이 가장 중요합니다. 잘 훈련된 모델은 동일한 사람의 얼굴이 임베딩 공간에서 서로 가깝게 클러스터링되도록 하고, 다른 사람의 얼굴은 멀리 떨어지도록 합니다. 목표는 거리가 신원 유사성과 직접적으로 관련되는 공간을 만드는 것입니다.

인기 있는 얼굴 매칭 알고리즘: ArcFace 및 CosFace

얼굴 매칭 성능 분야에서 여러 알고리즘이 두각을 나타내고 있습니다. 그 중 가장 주목할만한 두 가지는 ArcFace와 CosFace입니다. 둘 다 마진 기반 손실 함수를 기반으로 하며, 임베딩의 판별력을 향상하도록 설계되었습니다.

ArcFace (Additive Angular Margin Loss)

ArcFace는 얼굴 임베딩과 해당 클래스 중심 사이의 첨가 각도 마진을 도입합니다. 이 마진은 다른 ID의 임베딩이 각 공간에서 더 멀리 떨어지도록 강제합니다. 수학적으로 ArcFace는 임베딩과 가중치 벡터 사이의 각도에 마진을 추가하여 소프트맥스 손실 함수를 수정합니다. 이를 통해 더 큰 각도 분리가 유도되어 더욱 뚜렷한 임베딩이 생성됩니다. ArcFace는 MegaFace와 같은 대규모 얼굴 인식 벤치마크에서 뛰어난 결과를 보여주며, 일관되게 최첨단 정확도를 달성합니다. 자세, 조명 및 표정 변화에 대한 강력한 내성을 가지고 있습니다.

CosFace (Large Margin Cosine Loss)

CosFace는 반대로 임베딩과 가중치 벡터 사이의 코사인 각도를 직접 최적화합니다. 코사인 값에 마진을 도입하여 클래스 내 컴팩트함과 클래스 간 분리 가능성을 효과적으로 높입니다. CosFace는 또한 임베딩 벡터의 크기에 덜 민감한 코사인 유사성 메트릭을 활용합니다. ArcFace와 마찬가지로 CosFace는 어려운 얼굴 인식 데이터 세트에서 인상적인 성능을 보여주었습니다. 주요 차이점은 마진이 적용되는 방식에 있습니다. ArcFace에서는 각도에, CosFace에서는 코사인에 적용됩니다.

얼굴 매칭 정확도에 영향을 미치는 요인

여러 요인이 얼굴 매칭 알고리즘의 정확도에 영향을 미칠 수 있습니다:

• 데이터 품질: 학습 데이터의 품질과 다양성이 중요합니다. 편향된 데이터 세트로 훈련된 모델은 대표성이 부족한 인구 통계에서 성능이 저조할 수 있습니다.
• 이미지 해상도: 해상도가 높은 이미지는 일반적으로 더 정확한 임베딩을 생성합니다.
• 조명 조건: 극단적인 조명 조건(예: 어두운 조명, 강한 그림자)은 성능을 저하시킬 수 있습니다.
• 자세 변화: 머리 자세의 큰 변화는 얼굴 특징을 정확하게 추출하기 어렵게 만들 수 있습니다.
• 가려짐: 안경, 마스크 또는 모자와 같은 장애물은 얼굴 매칭을 방해할 수 있습니다.
• 스푸핑 공격: 시스템에 사진, 비디오 또는 마스크를 제시하는(스푸핑) 행위는 강력한 라이브니스 감지 메커니즘이 필요합니다.

Didit은 정확한 얼굴 매칭을 어떻게 지원하나요

Didit은 ArcFace를 포함한 최첨단 얼굴 매칭 알고리즘을 강력한 라이브니스 감지와 통합하여 매우 정확하고 안전한 신원 확인을 제공합니다. 위에 언급된 문제에 대해 다음과 같이 대응합니다:

• 다양한 학습 데이터: 당사의 모델은 다양한 민족, 연령, 성별을 포괄하는 방대한 다양한 데이터 세트로 훈련됩니다.
• 고급 라이브니스 감지: 99.9%의 정확도로 스푸핑 공격을 방지하기 위해 iBeta Level 1 인증 라이브니스 감지를 사용합니다.
• 이미지 향상: 당사 플랫폼은 저해상도 또는 조명이 좋지 않은 이미지의 품질을 향상시키는 이미지 향상 기술을 통합합니다.
• 워크플로 오케스트레이션: Didit의 시각적 워크플로 빌더를 사용하면 특정 위험 프로필 및 보안 요구 사항에 맞게 검증 흐름을 사용자 지정할 수 있습니다.

시작할 준비가 되셨나요?

최첨단 얼굴 매칭 기술로 신원 확인 프로세스를 향상할 준비가 되셨나요? 데모를 요청하여 Didit이 사기 방지, 사용자 경험 개선 및 규정 준수 유지에 어떻게 도움이 되는지 확인하십시오. 가격 정책을 살펴보고 Didit이 신원 확인 비용을 크게 절감할 수 있는 방법을 알아보세요.