[논문 리뷰] Going Deeper Into Face Detection: A Survey

Shervin Minaee, Ping Luo외 2명|arXiv (Cornell University)|2021. 03. 27.

Face recognition and analysis참고 문헌 86인용 수 51

한 줄 요약

모델 카테고리별로 정리된 심층학습 기반 얼굴 탐지 방법, 아키텍처, 데이터셋, 벤치마크 및 도전과제를 포괄적으로 조사한 개요.

ABSTRACT

Face detection is a crucial first step in many facial recognition and face analysis systems. Early approaches for face detection were mainly based on classifiers built on top of hand-crafted features extracted from local image regions, such as Haar Cascades and Histogram of Oriented Gradients. However, these approaches were not powerful enough to achieve a high accuracy on images of from uncontrolled environments. With the breakthrough work in image classification using deep neural networks in 2012, there has been a huge paradigm shift in face detection. Inspired by the rapid progress of deep learning in computer vision, many deep learning based frameworks have been proposed for face detection over the past few years, achieving significant improvements in accuracy. In this work, we provide a detailed overview of some of the most representative deep learning based face detection methods by grouping them into a few major categories, and present their core architectural designs and accuracies on popular benchmarks. We also describe some of the most popular face detection datasets. Finally, we discuss some current challenges in the field, and suggest potential future research directions.

연구 동기 및 목표

• 깊은 학습 시대의 시작부터 현재까지 심층학습 기반 얼굴 탐지의 진전을 검토한다.
• 주요 모델 가족(Cascade-CNN, RCNN/Faster-RCNN, SSD, FPN, Transformers 등)을 분류하고 비교한다.
• 널리 사용되는 얼굴 탐지 데이터셋과 평가 벤치마크를 요약한다.
• 현재의 도전과제를 논의하고 향후 연구 방향을 제안한다.

제안 방법

• 아키텍처적 기여를 기준으로 기존의 깊은 얼굴 탐지 연구를 주요 범주로 그룹화한다.
• 백본과 핵심 아키텍처 아이디어(CNN, R-CNN, SSD, FPN, GAN 등)에 대한 개요를 제공한다.
• 각 카테고리별 주요 모델과 그들의 주요 기술적 기여를 요약한다.
• 심층 얼굴 탐지를 위한 인기 벤치마크와 평가 지표를 개요한다.
• 제약되지 않은 환경에서의 도전 과제를 논의하고 향후 연구 방향을 제안한다.

실험 결과

연구 질문

• RQ1 얼굴 탐지에 사용되는 주요 딥러닝 카테고리와 그 핵심 아키텍처 아이디어는 무엇인가?
• RQ2 백본 아키텍처, 손실 함수, 훈련 전략이 표준 얼굴 탐지 벤치마크에서의 성능에 어떤 영향을 미치는가?
• RQ3 현재 얼굴 탐지 연구를 지배하는 데이터셋과 평가 지표는 무엇이며 남아 있는 격차는 무엇인가?
• RQ4 야생에서의 얼굴 탐지의 주요 도전과제와 이를 해결하기 위한 잠재적 방안은 무엇인가?

주요 결과

• 본 조사는 여러 아키텍처 카테고리에 걸쳐 50개가 넘는 심층 얼굴 탐지 모델을 다룬다.
• 성능 향상의 기저가 되는 학습 데이터, 네트워크 백본, 손실 함수, 학습 전략에 대한 통찰을 제공한다.
• FDDB, Wider Face 등의 데이터셋에서의 경향과 함께 인기 있는 벤치마크와 지표를 다룬다.
• 포즈, 크기, 조명, 가림 등의 변화와 도전과제를 강조하고 트랜스포머 기반 접근법과 컨텍스트 모델링 등의 방향을 제시한다.
• Cascade-CNN 및 R-CNN 기반 방법에서 단일 샷 탐지기와 피처 피라미드 네트워크로의 진화를 강조하고, 최근 트랜스포머 기반 아이디어에 주목한다.