Earticle

초록

한국어

얼굴 검출 및 정렬은 많은 어플리케이션에서 사용되며 딥러닝의 발전으로 성능이 많이 향상되었다. 하지 만 대부분의 최신 얼굴 검출 및 정렬 방법들은 매우 많은 연산을 필요로 하여 자원이 제한되는 모바일 환경이나 임베디드 시스템과 같은 엣지 장치에서 활용이 어려운 문제가 있다. 이를 해결하기 위해 본 논문에서는 EdgeFace 라는 새로운 얼굴 검출 및 정렬 기법을 제안하여 엣지 장치에서 속도와 정확성 측면에서 우수한 성능을 달성한다. 0.3M 파라미터를 초과하지 않으며 기존 경량 백본 보다 우수한 정확도를 달성하는 EdgeFaceNet이라는 새로운 경량 백본을 설계하고 검출 네트워크 부분에서는 특징 맵 스케일링 및 앵커 박스 설정을 사용하여 정확도 손실 없이 속도를 개선하도록 최적화하였다. WIDER FACE Hard 데이터셋에 대한 실험에서 EdgeFace는 83.8%의 정 확도로 Nvidia Tesla K80 GPU 에서 120 FPS, Nvidia Jetson Nano에서 26 FPS의 속도를 달성하였다.

영어

Although recent face detection tasks have made significant progress, applying them to edge devices is still a difficult task. In this paper, we propose a new face detector called EdgeFace to achieve excellent performance in terms of speed and accuracy on edge devices. We design a new lightweight backbone called EdgeFaceNet and present a channel attention-based detection network. The backbone does not exceed 0.3M parameters and achieves better accuracy than existing lightweight backbones. In the detection network part, feature map scaling and anchor box settings are used to optimize to improve speed with meaningful accuracy, and improve the utilization contextual by channel-attention. From experiments on WIDER FACE hard dataset, EdgeFace achieves state-of-the-art performance among the lightweight face detection methods and runs at 120 FPS on Nvidia Tesla K80 GPU and 26 FPS on Nvidia Jetson Nano.

목차

요약
Abstract
Ⅰ. Introduction
Ⅱ. Related Works
2.1 State-of-the-arts face detection
2.2 Lightweight face detection
Ⅲ. EdgeFace
3.1 EdgeFaceNet
3.2 Lightweight Feature Pyramid Network
3.3 Efficient Context Module
3.4 Multi-task Learning
Ⅳ. Experiments
4.1 Implementation Details
4.2 Ablation Study
4.3 Comparison with Other Frameworks
4.4 Speed on Edge Devices
Ⅴ. Conclusion
REFERENCES

저자

• 류정원 [ Jeong-Won Ryu | (주)에스아이에이 인공지능연구소 연구원 ]
• 이재흥 [ Jae-Heung Lee | 한밭대학교 컴퓨터공학과 교수 ] Corresponding Author

참고문헌