[논문 리뷰] A Smart Security System with Face Recognition

Trung Nguyen, Barth Lakshmanan외 1명|arXiv (Cornell University)|2018. 12. 03.

Face recognition and analysis참고 문헌 19인용 수 7

한 줄 요약

이 논문은 시간이 지남에 따라 정확도를 향상시키는 인crement럴 학습을 활용한 얼굴 인식 기반 스마트 홈 보안 시스템(SoF)을 제안한다. 이 시스템은 텐서플로우를 활용하며, 소셜 미디어 및 인간 레이블링된 알 수 없는 얼굴 데이터를 훈련에 사용하여 93.18%의 정확도를 달성한다. 이는 실생활에 구현 가능한 확장성 있고 적응형이며 프라이버시를 고려한 솔루션을 보여준다.

ABSTRACT

Web-based technology has improved drastically in the past decade. As a result, security technology has become a major help to protect our daily life. In this paper, we propose a robust security based on face recognition system (SoF). In particular, we develop this system to giving access into a home for authenticated users. The classifier is trained by using a new adaptive learning method. The training data are initially collected from social networks. The accuracy of the classifier is incrementally improved as the user starts using the system. A novel method has been introduced to improve the classifier model by human interaction and social media. By using a deep learning framework - TensorFlow, it will be easy to reuse the framework to adopt with many devices and applications.

연구 동기 및 목표

• 사용에 따라 점차 향상되는 강력하고 적응형 얼굴 인식 시스템을 개발하여 주거용 보안에 활용한다.
• 공개된 소셜 미디어 데이터를 활용하여 대규모 데이터 수집의 부담을 줄인다.
• 사용자 상호작용과 인크리멘탈 학습을 통한 지속적인 모델 향상 기능을 제공한다.
• 역할 기반 권한을 구현하여 프라이버시 및 액세스 제어를 보장한다.
• 텐서플로우를 활용한 확장성 있고 기기 종속적이지 않은 시스템을 구축하여 스마트폰, 임베디드 장치, 클라우드 인프라 등 다양한 환경에 배포할 수 있도록 한다.

제안 방법

• 시스템은 Dlib 라이브러리와 방향성 기울기 히스토GRAM 특징을 사용하여 현지에서 얼굴 검출 및 인식을 수행하는 라즈베리 파이를 카메라 노드로 활용한다.
• Inception-v3 기반의 딥 네URAL 네트워크를 사용하여 삼중손실을 통해 텐서플로우로 훈련된 얼굴 임베딩을 추출한다.
• 새로운 데이터 수집 파이프라인은 페이스북 그래프 API를 통합하여 소셜 미디어에서 태그된 얼굴를 추출함으로써 수동 데이터 수집 의존도를 감소시킨다.
• 시스템은 인크리멘탈 학습을 구현한다: 새로운 얼굴은 사용자의 모바일/웹 인터페이스를 통해 레이블링되며, 새로운 데이터로 모델을 재학습하여 정확도를 향상시킨다.
• 클라우드 서버는 QEMU를 사용하여 Ubuntu, Cirros, CentOS로 구성된 다중 노드 스택을 호스팅하며, 최대 12개의 VCPU와 16GB RAM을 활용한 분산 훈련을 지원한다.
• 웹 기반 인터페이스를 통해 실시간 경고, 사용자 레이블링, 역할 기반 액세스 제어를 제공하며, 데이터는 클라우드 스토리지에 안전하게 저장된다.

실험 결과

연구 질문

• RQ1 초기 대규모 데이터셋이 필요 없이도 정확도를 지속적으로 향상시킬 수 있는 적응형 얼굴 인식 시스템을 어떻게 설계할 수 있는가?
• RQ2 소셜 미디어 데이터는 보안 시스템 훈련을 위한 데이터 수집 부담을 어떻게 줄일 수 있는가?
• RQ3 사용자 상호작용을 학습 루프에 통합하여 모델의 강건성과 사용자 통제력을 어떻게 향상시킬 수 있는가?
• RQ4 오픈소스 프레임워크인 텐서플로우를 활용해 경량화되고 확장 가능한 시스템을 어떻게 구축하고 다양한 기기에서 배포할 수 있는가?
• RQ5 사용자 개입이 포함된 인크리멘탈 학습 모델은 정적 모델 대비 정확도와 적응성 측면에서 어떻게 비교되는가?

주요 결과

• 제안된 시스템은 93.18% ± 0.0140의 얼굴 인식 정확도를 달성하였으며, 전통적인 이겐페이스(60.02% ± 0.0079)를 크게 뛰어넘고 인간 수준의 성능에 가까워졌다.
• 소셜 미디어 및 사용자 레이블링을 통한 새로운 데이터가 모델에 통합되면서 정확도가 점진적으로 향상되는 것을 확인하였다.
• 텐서플로우를 활용한 훈련 최적화로, conv2d 레이어의 순방향 전파가 135ms, 역방향 전파가 310ms로, Caffe 및 CuDNN 기반 토치보다 빠른 성능을 보였다.
• 페이스북 그래프 API의 활용으로 태그된 얼굴에서 효율적이고 대규모의 데이터 수집이 가능해져 수동 확보 노력이 크게 감소하였다.
• 역할 기반 액세스 제어를 통해 손님, 어린이, 관리자 등 다양한 권한 수준을 지원하여 프라이버시 및 안전성을 향상시켰다.
• 클라우드 기반 분산 훈련 통합을 통해 확장 가능한 모델 재학습이 가능해졌으며, 임베디드 장치 및 모바일 플랫폼에의 배포를 지원하였다.