[논문 리뷰] Dockerface: an Easy to Install and Use Faster R-CNN Face Detector in a Docker Container

Nataniel Ruiz, James M. Rehg|arXiv (Cornell University)|2017. 08. 15.

Face recognition and analysis참고 문헌 12인용 수 11

한 줄 요약

Dockerface는 복잡한 설치 및 훈련 없이 Linux에서 쉽게 배포할 수 있도록 도커 컨테이너에 팩키징된 사전 훈련된 Faster R-CNN 얼굴 검출기입니다. 실생활 어린이 상호작용 영상에서 널리 사용되는 Dlib, OpenCV, OMRON과 같은 검출기들을 뛰어넘는 최신 기술 수준의 정확도(0.5 IOU에서 98% 재현율)를 달성합니다.

ABSTRACT

Face detection is a very important task and a necessary pre-processing step for many applications such as facial landmark detection, pose estimation, sentiment analysis and face recognition. Not only is face detection an important pre-processing step in computer vision applications but also in computational psychology, behavioral imaging and other fields where researchers might not be initiated in computer vision frameworks and state-of-the-art detection applications. A large part of existing research that includes face detection as a pre-processing step uses existing out-of-the-box detectors such as the HoG-based dlib and the OpenCV Haar face detector which are no longer state-of-the-art - they are primarily used because of their ease of use and accessibility. We introduce Dockerface, a very accurate Faster R-CNN face detector in a Docker container which requires no training and is easy to install and use.

연구 동기 및 목표

• 최신 딥러닝 기법이 존재하는 바에도 불구하고, 여전히 널리 사용되는 오래된 낮은 정확도의 얼굴 검출기(예: OpenCV Haar, Dlib HOG)를 연구 분야에서 사용하는 문제를 해결합니다.
• 최신 기술 수준의 얼굴 검출기를 도입하는 데 있어 복잡한 Caffe 설치, GPU 설정, 사전 훈련된 모델 부족 등의 장벽을 극복합니다.
• 딥러닝 전문 지식이 없는 컴퓨터시각, 심리학, 행동 영상 분야의 연구자들이 즉시 사용할 수 있고 재현 가능하며 접근 가능한 솔루션을 제공합니다.
• 자폐증을 가진 어린이의 사회적 행동 분석과 같은 실생활 응용 분야에서 정확한 얼굴 검출을 가능하게 하여, 검출 오류로 인한 데이터 손실을 줄입니다.
• 하위 작업의 신뢰성 향상을 위해 열악한 사전 처리 검출기 대신 고정확도, 쉽게 배포 가능한 대안을 제공합니다.

제안 방법

• WIDER Face 데이터셋에 대해 훈련된 Faster R-CNN 얼굴 검출 모델을 재현하여, Jiang과 Miller가 입증한 최신 기술 수준의 성능을 달성합니다.
• 사전 훈련된 Faster R-CNN 모델, Caffe 프레임워크, 비디오 지원 기능이 있는 OpenCV, GPU 호환 라이브러리를 하나의 이식 가능한 도커 컨테이너에 패키징합니다.
• Caffe와 OpenCV의 GPU 지원 컴파일 및 설정을 자동화하여 수동 설정과 종속성 충돌을 제거합니다.
• 이미지 및 영상 추론을 위한 사전 작성된 파이썬 스크립트를 포함하여, 명확한 입력/출력 처리 및 CPU 및 GPU 실행 모두 지원합니다.
• Docker를 사용해 경량이며 하드웨어에 종속되지 않는 컨테이너 환경에 모델을 통합하여, 다양한 시스템 간 일관된 배포를 보장합니다.
• 커뮤니티의 채택과 확장성을 위해 https://github.com/natanielruiz/dockerface에 상세한 단계별 지침과 오픈소스 코드를 제공합니다.

실험 결과

연구 질문

• RQ1 사전 훈련된 Faster R-CNN 얼굴 검출기를 도커 컨테이너에 팩키징하여 복잡한 설치 및 설정 장벽을 제거할 수 있는가?
• RQ2 Dockerface의 성능은 어린이 상호작용 연구에서 얻은 실생활의 도전적인 영상 데이터에서 널리 사용되는 즉시 사용 가능한 검출기들(OpenCV, Dlib, OMRON)과 비교해 어떻게 되는가?
• RQ3 Dockerface와 같은 고정확도 얼굴 검출기를 사용할 경우, 얼굴 랜드마크 검출 또는 사회적 행동 분석과 같은 하위 작업에서 데이터 손실이 얼마나 감소하는가?
• RQ4 재훈련 없이도 도커화된 사전 훈련된 Faster R-CNN 모델이 벤치마크 데이터셋에서 원본 구현과 비교해 유사하거나 더 높은 정확도를 달성할 수 있는가?
• RQ5 도커 컨테이너에 GPU 지원 및 비디오 처리 라이브러리 통합이 실시간 응용 분야에서의 사용성에 크게 기여하는가?

주요 결과

• Dockerface는 어린이-성인 상호작용 영상 3분 분량에서 0.5 IOU에서 98% 재현율, 0.75 IOU에서 93% 재현율을 달성했으며, 이는 OpenCV(각각 0.5와 0.75 IOU에서 40% 및 3% 재현율)를 크게 뛰어넘는 성능입니다.
• 더 어려운 영상 시퀀스에서는 Dockerface가 0.5 IOU에서 91% 재현율, 0.75 IOU에서 73% 재현율을 기록했고, Dlib(77% 및 69%), OpenCV(9% 및 1%), OMRON(36% 및 1%)에 비해 뛰어난 성능을 보였습니다.
• 높은 정밀도(0.5 IOU에서 98%)를 유지하면서도 거의 완벽한 재현율을 달성하여, 높은 감지 민감도와 낮은 거짓 양성 비율을 모두 확보했습니다.
• Dockerface는 부분적인 가림이나 저해상도 이미지와 같은 어려운 케이스에서도 다른 검출기가 실패하는 상황에서도 얼굴을 정확하게 검출하여 하위 분석에서의 데이터 손실을 줄였습니다.
• 수동 Caffe 컴파일, GPU 드라이버 설정, OpenCV 재컴파일이 필요 없어지면서, 리눅스 시스템에서 한 번의 클릭으로 배포가 가능해졌습니다.
• 상세한 문서와 사전 구축된 스크립트를 함께 제공하는 오픈소스 배포로, 딥러닝 전문 지식이 없는 연구자들도 최소한의 노력으로 고정확도 얼굴 검출을 자신의 파이프라인에 통합할 수 있게 되었습니다.