《우리는 과학기술강국건설에 박차를 가하여 짧은 기간에 나라의 과학기술발전에서 새로운 비약을 이룩하며 과학으로 흥하는 시대를 열고 사회주의건설에서 혁명적전환을 가져와야 합니다.》
화상분류, 얼굴인식과 같은 콤퓨터시각응용분야들에서 중첩신경망모형의 학습에 리용되는 교차엔트로피손실함수는 나이클라스들의 분리성만을 강조하고 그 클라스들사이의 련관성은 고려하지 않는다. 사람얼굴의 로화특성으로 인하여 나이클라스들사이에는 호상련관성이 존재한다. 특히 일정한 나이근방의 나이클라스들에 해당한 얼굴들의 로화특성은 매우 류사하다.
우리는 나이클라스들사이의 련관성을 고려하여 중첩신경망을 학습하는 근방손실함수를 제안하였다. 근방손실함수는 목표출력값을 2진부호화변환대신에 가우스함수로 표현하는 교차엔트로피손실함수이다.
나이추정을 위한 전체적인 체계는 얼굴정렬 및 전처리, 중첩신경망모형, 나이값예측으로 구성하였다. 얼굴정렬 및 전처리에서는 RetinaFace얼굴검출신경망모형을 리용하여 얼굴령역과 기준점들을 검출하고 상사변환을 리용하여 얼굴화상을 224x224 pixel 크기로 정규화하였다. 중첩신경망모형은 잔차블로크에 기초하여 설계된 18층, 34층의 중첩층블로크들과 100개의 나이분류를 위한 완전련결층과 최종출력층인 softmax층으로 구성하였다. 나이값예측에서는 나이추정문제를 분류문제로 고찰하고 완전련결층과 softmax층에 의하여 계산되는 사후확률값들의 무게화된 합에 의하여 나이값을 예측하였다.
제안한 방법들은 python과 Tensorflow로 구현하였으며 4개의 NVIDIA Titan XP GPU를 리용하여 학습하였다. 실험결과는 제안한 근방손실함수가 선행방법들에 비하여 나이추정정확도를 효과적으로 개선할수 있다는것을 보여준다.
이 연구결과는 잡지 《ICTACT Journal on Image and Video Processing》(AUGUST 2022, VOLUME: 13, ISSUE: 01)에 《Neighborhood loss for Age Estimation from Face Image using Convolutional Neural Networks》(https://doi.org/10.21917/ijivp.2022.0393)의 제목으로 발표되였다.
