안면 매칭 알고리즘: ArcFace, CosFace, FaceNet 심층 분석 (KO)

ArcFace: SphereFace의 후속작ArcFace는 가산 각도 마진 손실을 사용하여 이전 방법들을 개선하고, 특히 까다로운 조건에서 뛰어난 정확도를 위해 고도로 식별 가능한 특징을 생성합니다.

CosFace: 마진 기반 특징 학습CosFace는 가산 코사인 마진 손실을 사용하여 클래스 간 분산을 최대화하고 클래스 내 분산을 최소화하여 다양한 자세와 조명 조건에서 얼굴 인식의 견고성을 향상시킵니다.

FaceNet: 임베딩 기반 검증FaceNet은 얼굴 이미지에서 직접 128차원 유클리드 임베딩을 생성하는 방법을 개척했습니다. 이 임베딩은 거리 측정법을 사용하여 직접 비교할 수 있어 검증 작업에 매우 효율적입니다.

Didit의 접근 방식: 하이브리드 및 최적화Didit은 강력한 안면 매칭을 포함한 고급 생체 인식 알고리즘 조합을 활용하여 올인원 신원 플랫폼 내에서 높은 정확도, 실존 여부 감지 및 사기 방지를 보장합니다.

안면 매칭 알고리즘의 진화

얼굴 인식은 틈새 학술 연구에서 보안, 인증 및 사용자 경험에 필수적인 보편적인 기술로 빠르게 발전했습니다. 이 변화의 핵심에는 정교한 안면 매칭 알고리즘이 있습니다. 이 알고리즘은 얼굴 이미지를 고유한 수학적 표현 또는 '임베딩'으로 변환하여 다른 임베딩과 비교할 수 있게 합니다. 이 비교를 통해 두 얼굴이 동일한 사람의 것인지 판단합니다. 초기 방법은 조명, 자세 및 표정의 변화에 어려움을 겪었습니다. 그러나 특히 딥러닝의 발전은 FaceNet, CosFace 및 ArcFace와 같은 매우 견고하고 정확한 알고리즘으로 이어졌습니다.

이러한 알고리즘은 단순히 얼굴을 인식하는 것이 아니라, 이상적이지 않은 조건에서도 한 개인을 다른 개인과 구별하는 미묘하지만 중요한 차이를 이해하는 것입니다. 이들은 휴대폰을 보호하고, 온라인에서 신원을 확인하며, 심지어 법 집행에도 도움이 되는 시스템의 중추를 형성합니다. 이들의 기본 원리와 비교 우위를 이해하는 것은 현대 생체 인식 신원 솔루션의 힘과 잠재력을 이해하는 데 중요합니다.

FaceNet: 선구적인 임베딩 접근 방식

2015년 Google이 선보인 FaceNet은 얼굴 인식에 있어 상당한 발전을 이루었습니다. 알려진 개인을 식별하기 위해 종종 분류 계층에 의존했던 이전 방법과 달리, FaceNet은 얼굴 이미지에서 압축된 유클리드 임베딩 공간으로의 매핑을 직접 학습했습니다. 핵심 아이디어는 동일한 사람의 얼굴은 이 임베딩 공간에서 서로 매우 가까워야 하고, 다른 사람의 얼굴은 멀리 떨어져 있어야 한다는 것입니다.

FaceNet의 혁신은 트립렛 손실 함수를 사용한다는 점에 있습니다. 단순히 얼굴을 분류하는 대신, 트립렛 손실은 '앵커' 이미지(한 사람의 이미지)가 '긍정' 이미지(동일한 사람의 다른 이미지)에 '부정' 이미지(다른 사람의 이미지)보다 더 가깝도록 임베딩을 출력하도록 신경망을 훈련시킵니다. 이는 수학적으로 ||f(A) - f(P)||² + α < ||f(A) - f(N)||²로 표현되며, 여기서 f(x)는 이미지 x의 임베딩이고, α는 분리를 강제하는 마진입니다. 이 직접 임베딩 학습은 FaceNet을 얼굴 검증(1:1 비교) 및 얼굴 식별(1:N 검색) 모두에 매우 효과적으로 만듭니다.

실제 사례: 온라인 뱅킹 앱을 상상해 보세요. 로그인할 때 FaceNet은 셀카(앵커)를 찍어 등록 시 저장된 임베딩(긍정)과 비교합니다. 거리가 특정 임계값 미만이면 액세스가 허용됩니다. 사기꾼이 로그인하려고 하면, 그들의 셀카(부정)는 저장된 임베딩과 멀리 떨어져 있어 액세스가 거부됩니다.

CosFace: 코사인 마진으로 차별적 특징 강화

FaceNet이 임베딩 생성을 혁신했지만, 후속 연구는 특히 대규모 데이터 세트와 어려운 실제 시나리오에서 이러한 임베딩의 식별력을 향상시키는 데 중점을 두었습니다. CosFace 또는 대규모 마진 코사인 손실(LMCL)은 손실 함수에 가산 코사인 마진을 도입하여 강력한 경쟁자로 부상했습니다. 이는 임베딩과 해당 클래스 중심 간의 코사인 유사성을 최대화하는 동시에 다른 클래스 간에 명확한 마진을 보장하는 원리에 따라 작동합니다.

CosFace는 특징 벡터와 마지막 완전 연결 계층의 가중치를 모두 정규화한 다음, 코사인 유사성에 마진 m을 추가하여 소프트맥스 손실을 재구성합니다. 이는 특징이 해당 클래스 중심 주변에 더 집중되고 각도 공간에서 다른 클래스와 더 멀리 떨어지도록 장려합니다. 정규화는 특징을 초구에 효과적으로 투영하여 각도 분리를 주요 측정 기준으로 만듭니다. 이 접근 방식은 자세, 조명 및 표정의 변화에 대한 임베딩의 견고성을 크게 향상시켜 더 나은 일반화를 가져옵니다.

실제 사례: 고보안 접근 제어 시스템에서 CosFace는 직원을 확인하는 데 사용될 수 있습니다. 향상된 식별력은 외모의 미묘한 변화나 시스템을 속이려는 시도에 덜 속임을 당한다는 것을 의미하며, 환경 조건이 달라지더라도 더 높은 수준의 보증을 제공합니다.

ArcFace: 우수한 정확도를 위한 각도 마진

ArcFace, 즉 가산 각도 마진 손실은 코사인 공간에 직접 가산 각도 마진을 도입하여 CosFace 및 그 전신인 SphereFace의 아이디어를 기반으로 합니다. 이 방법은 우수한 성능과 견고성으로 인해 많은 얼굴 인식 작업에서 최첨단으로 간주됩니다. ArcFace의 핵심 혁신은 특징 벡터와 실제 클래스 중심 사이의 목표 각도에 가산 각도 마진 m을 직접 추가하여 결정 경계를 더욱 엄격하게 만드는 것입니다.

이 가산 각도 마진을 강제함으로써 ArcFace는 다른 신원 간의 명확한 각도 분리를 통해 고도로 식별 가능한 특징을 생성합니다. 이는 개인 간의 미묘한 차이조차 임베딩 공간에서 증폭되어 유사하게 생긴 사람들 간의 구별을 더 쉽게 만듭니다. 그 결과, 특히 대규모 클래스 내 변동(예: 다양한 표정을 가진 동일인물의 다른 사진) 및 작은 클래스 간 변동(예: 쌍둥이 구별) 시나리오에서 더 높은 정확도를 제공합니다.

실제 사례: 정부 신분증 확인 또는 국경 통제의 경우, 정확성이 가장 중요하고 잠재적으로 수백만 명의 개인을 구별해야 할 때, ArcFace가 고도로 식별 가능한 임베딩을 생성하는 능력은 결정적인 이점을 제공합니다. 사진이 수년 전의 것이거나 다른 조건에서 찍혔더라도 라이브 스캔을 여권 사진과 정확하게 일치시킬 수 있습니다.

Didit이 돕는 방법

Didit은 FaceNet, CosFace 및 ArcFace의 원리를 포함한 고급 생체 인식 알고리즘의 힘을 활용하여 세계적 수준의 신원 확인 플랫폼을 제공합니다. 당사의 자체 개발 생체 인식 모듈은 최첨단 안면 매칭(1:1 및 1:N) 및 수동 실존 여부 감지를 사용하여 사용자가 실제 인물이며, 현재 존재하고, 신분증의 정당한 소유자인지 확인합니다. 당사는 iBeta Level 1 실존 여부 인증과 같은 글로벌 표준을 준수하면서 사용자 개인 정보를 보호하고 업계 최고의 정확도와 속도를 달성하기 위해 모델을 지속적으로 최적화합니다.

당사의 플랫폼은 이러한 강력한 안면 매칭 기능과 신분증 확인, AML 심사 및 사기 신호를 단일 통합 시스템으로 결합합니다. 이 오케스트레이션을 통해 기업은 고도로 안전할 뿐만 아니라 매우 빠르고 사용자 친화적인 맞춤형 신원 워크플로우를 구축할 수 있습니다. 신규 고객 온보딩, 사기 방지 또는 사용자 재인증 등 Didit은 디지털 세계에서 신뢰를 보장하는 원활하고 안전한 경험을 제공합니다.

시작할 준비가 되셨나요?

Didit의 고급 안면 매칭 및 신원 확인 솔루션이 귀사의 비즈니스를 어떻게 변화시킬 수 있는지 알아보십시오. 당사의 올인원 플랫폼을 통해 보안을 강화하고, 온보딩을 간소화하며, 탁월한 정확도로 사기를 방지할 수 있습니다.

• 투명한 가격 확인
• Didit 비즈니스 콘솔 액세스
• 기술 문서 자세히 알아보기
• 잠재적 ROI 계산