포즈와 조명변화에 강인한 얼굴인식은 매우 어려운 문제로 자리잡고 있다. 많은 연구진들은 이러한 문제를 풀기 위해 포즈와 조명변화에 불변하는 특징들을 찾는 연구를 하고 있다. 그중에는 다양한 포즈의 이미지들을 정면 포즈의 이미지로 바꿔주고, 이렇게 변한 정면 포즈의 이미지를 포즈에 강인한 특징으로 사용하는 연구가 진행되었다. 이러한 흐름에서, 각도가 변함에 따라 자신의 아이덴티티를 보존하는 것이 매우 중요하다. 본 논문에서는 각도가 변하더라도 자신의 아이덴티티를 더욱 잘 보존하게하는 새로운 방식의 멀티테스크 신경망 학습을 제안한다. 또한, 본 네트워크는 인풋으로 들어온 얼굴 이미지를 사용자가 원하는 각도로 변화 가능하게 한다. 이러한 새로운 방식의 멀티테스크 모델은 단일 테스크를 사용하는 모델보다 아이덴티티를 더욱 잘 보존하게 한다. 본 논문은 새롭게 합성된 여러 포즈의 이미지들을 포즈와 조명변화에 강인한 특징으로 사용하고 이들을 보팅방식을 이용하여 합침으로써 얼굴인식 성능을 세계기록보다 4~6% 높였다.
Face recognition under viewpoint and illumination changes is a difficult problem, so many researchers have tried to solve this problem by producing the pose- and illumination- invariant feature. Zhu et al. changed all arbitrary pose and illumination images to the frontal view image to use for the invariant feature. In this scheme, preserving identity while rotating pose image is a crucial issue. This paper proposes a new deep architecture based on a novel type of multitask learning, which can achieve superior performance in rotating to a target-pose face image from an arbitrary pose and illumination image while preserving identity. The target pose can be controlled by the user`s intention. This novel type of multi-task model significantly improves identity preservation over the single task model. By using all the synthesized controlled pose images, called Controlled Pose Image (CPI), for the pose- illumination- invariant feature and voting among the multiple face recognition results, we clearly outperform the state-of-the-art algorithms by more than 46% on the MultiPIE dataset.
