Earticle

초록

영어

This study proposes a method for efficiently classifying workers' fatigue levels using embeddings extracted from facial images. Among facial image embedding methods, the conventional ArcFace model provides 512-dimensional embeddings designed for face recognition. However, directly applying these embeddings to fatigue classification leads to performance degradation due to redundant features and excessive dimensionality. To address this limitation the author propose a conditional ordinal regression for neural networks(CORN)-based adapter that transforms the ArcFace facial embeddings into a more compact 256-dimensional representation. A multi-layer perceptron(MLP) classifier is then trained using the transformed embeddings as input. Experiments are conducted on both binary fatigue classification (levels 1, 5) and three-level classification (levels 1, 3, 5). The results show that when using ArcFace embeddings directly, the classification accuracy is limited to 57.5% and 40.4%, respectively. In contrast, the proposed adapter-based embedding achieves significantly improved accuracies of 85.3% and 67.5%. These results indicate that the proposed method not only reduces the dimensionality but also enables task-specific representation learning tailored for fatigue classification, thereby improving classification performance.

한국어

본 연구에서는 얼굴 영상으로부터 추출한 임베딩을 이용하여 작업자의 피로도를 효율적으로 분류하는 방법을 제안한다. 얼굴 이미지 임베딩 방법 중 기존의 ArcFace 모델은 얼굴 인식을 위해 설계된 512차원 임베딩을 제공하지만, 이를 그대로 피로 분류에 적용하면 불필요한 특징과 차원의 과잉으로 인해 성능이 저하되는 문제가 발생한다. 이에 본 연구에서는 ArcFace에서 추출한 512차원 얼굴 임베딩을 Conditional ordinal regression for neural networks(CORN) 기반 어댑터를 통해 256차원으로 변환하고, 이를 입력으로 하는 다층 퍼셉트론 분류기를 학습하는 방식을 제안한다. 실험은 피로도 2단계(레벨 1, 5)와 3단계(레벨 1, 3, 5) 분류 문제를 대상으로 진행된다. 실험 결과, ArcFace 임베딩을 직접 사용한 경우 분류 정확도는 57.5%와 40.4%에 불과하였으나, 제안한 어댑터 기반 임베딩은 85.3%와 67.5%의 정확도를 달성하여 크게 향상된 성능을 보인다. 이러한 결과는 단순히 차원을 축소하는 것에 그치지 않고, 피로도 분류 문제에 특화된 표현 학습을 통해 피로 분류 성능을 개선할 수 있음을 시사한다.

저자

• 권철홍 [ Chul Hong Kwon ]

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  The Journal of the Convergence on Culture Technology (JCCT) [문화기술의 융합]

• 간기

  격월간

• pISSN

  2384-0358

• eISSN

  2384-0366

• 수록기간

  2015~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 600 DDC 700