안면 인식(Face Recognition) 기술은

이미 성숙기에 접어든 기술로서, 경우에 따라

사람보다도 정확한 인식률을 보여줍니다.

특히 대조군 데이터베이스가 잘 갖추어져 있는

실종 아동 및 치매노인, 지명 수배자 등은

더욱 효과적으로 인식할 수 있으며,

노선버스 승∙하차시 CCTV를 통해

관계 기관에 신속하게 알릴 수 있게 됩니다.

Facebook의 DeepFace는 딥러닝 기술이

얼굴 인식(Face Recognition)에 처음으로

접목된 연구로서,

2014년에 CVPR 컨퍼런스에서 발표되었습니다.

주어진 이미지로부터 사람을 식별할 수 있는 

컨볼루션 신경망(CNN) 구조를 묘사한 논문으로서,

1억 2천만 개가 넘는 연결 가중치로 이루어진

9계층의 신경망을 사용하였습니다.

구현 단계에서는 Facebook 사용자가 업로드 한

4백만 개의 이미지를 학습하여 개발되었습니다.

DeepFace는 유명인들 얼굴의 데이터셋인 LFW에 대해

97.35%라는 인간 수준의 경이로운 정확도를 보여주며

얼굴 인식에 있어 딥러닝 기반 방법론이

매우 성공적임을 보여주는 대표적인 사례가 되었습니다.

옥스포드 대학의 Visual Geometry Group(VGG)에서

제안한 VGG-Face는 인터넷 검색을 통해 직접 만든

VGG라는 대용량의 얼굴인식 데이터셋을 공개하고,

이를 이용하여 15개의 컨볼루션 층으로 구성된

딥 네트워크 구조를 학습시켰습니다.

VGG에서는 VGGFace 학습 모델을 제공함과

동시에 상대적으로 간단한 3 X 3 컨볼루션 필터를 이용하여

학습시켰음에도 LFW 데이터셋에 대해

Facebook의 DeepFace보다

약 1% 개선된 98.95%의 또다른 기술적 도약으로

관련 연구계를 놀라게 했습니다.

특히, Facebook만큼의 대용량 데이터와

매우 많은 수의 신경망 파라미터(Parameter) 학습이

동반되지 않았음에도 일반적인 연구 조직의 역량만으로

달성한 성과였기에 더 큰 의의가 있는 사례였습니다.

Amazon Rekognition은 2016년에 출시된

SaaS(Software as a service) 컴퓨터 비전 플랫폼으로서,

클라우드 기반 SaaS의 막강한 편리성 덕에 가장 대중성 있는

얼굴 인식 기술로 자리 잡았습니다.

고급 지식을 갖춘 연구자가 아니더라도 클라우드 환경에

접근만 가능하다면 손쉽게 사용할 수 있어,

기존의 단순한 이미지 인식은 물론이고 비디오를 통한

객체의 추적 기능까지 원활하게 활용 가능합니다.

이로인해 스포츠 플레이어의 경기 후 분석에

사용되거나 사법 기관으로부터 용의자

추적용으로 사용되는 등 광범위하게

그 적용 범위를 넓혀왔으며, 성능적인 측면에서도

100% 가까운 높은 신뢰도를 보여 주었습니다.

다만 사용자는 기준 정확도를 자율적으로 설정하여

사용할 수 있는데, 이 과정에서 공공 목적 얼굴 인식의

신뢰도가 크게 낮아지거나 특정 인종 및 성별에서

상대적으로 낮은 정확도가 계측되는 등

관련 논란들 또한 지속적으로 동반되고 있습니다.