안면 인식에 필요한 데이터 수집을 위해서, 먼저 얼굴 측면을 포함해 동영상을 촬영하고, 지정한 frame 구간마다 화면을 capture하여 별도로 저장.
Capture된 이미지 데이터에서, 사람의 얼굴영역만 추출하기 위해서 Faster-RCNN을 적용. 기존 영상처리만 적용한 모델에 대비해, 사전학습한 Faster-RCNN모델은 전면뿐만 아니라 측면, 작은 사람 얼굴까지 추출이 가능함. Classification과 Object detection이 동시에 가능한 장점을 가진 모델이기 때문에 범용적으로 사용되는 모델. 기존 Fast RCNN 모델이 연산과정 중 Selective search를 수행하여 속도가 느리다. 그 이유는 해당 알고리즘은 GPU에 적합하지 않은 연산이기 때문. 이를 보안한 알고리즘이 Faster-RCNN이며, R-CNN모델 중 가장 최신 모델이며 속도, 성능 측면에서 우수함을 보여줌.
MobileNet 모델은 모바일 기기 및 엣지 디바이스에 주로 사용되는 모델이다. 일반적으로 사용되는 EfficientNet, ResNet과 달리 연산량은 매우 적으며 성능은 그에 준하는 높은 성능을 보여줌.
Training data의 화질이 너무 높은 경우, 실제 데이터와 화소가 차이나면서 안면인식 정확도가 떨어질 수 있음. 다시 말해, Training data의 화질과 모델의 정확도는 비례하지 않음. 따라서 실제 Image 데이터가 화소가 상대적으로 낮을 경우에, Training data의 화질을 의도적으로 Degradation 시켜야 할 것임.
촬영 데이터의 조도, 명암, 촬영 거리가 제각각이기 때문에 이미지 정규화를 진행해야함 죽, 이미지 정규화는 학습 전 필수적으로 진행되어야 함: -> Normalize
Face-detection의 경우, 다음과 같은 augmentation을 사용하면 데이터 증강 뿐만 아니라 학습 데이터의 다양성을 줄 수 있음
- Horizontal Flip 2. Random Rotation 3. Cental Cropping 참고 사이트 - https://pytorch.org/vision/0.9/transforms.html
https://github.com/alsgkals2/Preprocessing_Pytorch 에서 Image resize, translation type of file 등 코드정리해둔게 있어서 필요할 때 참고하시면 될 듯합니다.