# face_recognition
Face Recognition Door Lock
2023-1 학부 학술제에 참가하기 위해서 어떤 작품을 만들지 고민하다가 집에 있는 ESP32CAM 모듈을 이용해서 가정용 얼굴인식 도어락을 제작해보았다. 작품 배경 기존의 도어락은 열쇠나 비밀번호 등의 인증 방식으로만 문을 열고 닫을 수 있었기 때문에, 보안성이 낮고, 불편한 면이 있었다. 이에 반해 얼굴인식 도어락은 얼굴 인식 기술을 활용하여, 보다 안전하고 빠르게 출입이 가능하다. 얼굴인식 기술 자체는 이미 상용화되어 있으며, 대형 빌딩이나 회사, 정부 기관 등에서는 보안 시스템으로 많이 활용되고 있다. 그러나 가정용 도어락 분야에서는 아직 많이 보급되지 않고 있다. 
[AI] Related Work
RetinaFace : Single-Stage Face Detector Single-Stage 기반으로 픽셀 단위로 Face Localisation을 예측하는 모델 특징 wider face hard test 에서 SOTA 성능을 보임 ArcFace의 성능 향상 가벼운 가중치의 backbone 네트워크를 사용 single CPU core에서도 real-time으로 돌릴 수 있음 많은 작은 얼굴들과 다양한 크기의 얼굴들에서 좋은 성능을 보임 ArcFace : Metric Learning Face Recogntition 클래스 간 각도를 통해 차이를 두어 서로 다른 클래스 간에는 더 큰 격차를 만드는 방법 <i
Center loss
한줄요약 : 더욱 Discriminative 하기 위해 아래와 같이 하겠다. 수식은 아래와 같다. m = minibatch, cyi = yi번째 class의 center, xi = i번째 feature mini-batch 내에서 center를 정한 다음, class에 속하는 sample 들을 class center와 가깝게 위치하도록 loss로 잡아줌. (이때 feature가 바뀌게 된다면 center도 새롭게 업데이트 됨.) 원래는 모든 데이터 셋을 가지고 class 별로 center를 구하는게 맞으나 그렇게 된다면 비
L-softmax, A-softmax
기존 softmax는 학습은 class를 대표하는 w들을 잘 representation 되게 학습하는 것임. 잘 training 됐다면 아래와 같이data와 각이 가까운 w들이 나오게 됨. 위의 그림을 본다면 class data에 각 편차를 최대한 줄인 w1, w2가 나온것을 알 수 있음. 위의 이미지에서 x는 w1에 속할 확률이 높을 것임. 하지만 이런식으로는 Decision Boundary(경계) 가 거의 분리되어있지 않기 때문에 다른 클래스로 분류될 확률이 큼. L-softmax 한줄 요약 : softmax + margin 그래서 아래와 같이 margin을 두어 차이를 벌림 
triplet loss
한줄요약 : positive는 가깝게, negative는 멀리 학습 triplet loss 는 anchor를 positive와 negative input과 비교하는 loss function이다. anchor - positive의 거리는 최소화 되야하며, anchor - negative 의 거리는 최대가 되어야 함. 앞서 말한 과정의 수식이다. 첫 번째 항은 Positive와의 거리이고, 두 번째 항은 Negative와의 거리이며, α는 margin이다. 따라서 위 수식을 최소화 한다 = Positive와 가깝고, Negative
#0 face_clustering 프로젝트 - 시작, 환경 구성
계기 오랜만에 코로나로 인해서 밖에 활동을 못하고 있습니다. 한동안 춤에만 몰두하느라 (그게 근 4년 여러분 춤이 이렇게 무섭습니다) 그래서 잊혀졌던 것들 중에 해보고 싶었던 것들을 대충 둘러보다가 face_clustering관련된 글을 어쩌다가보게되었고, 예전부터 느끼고있던 moments나 google photo에 만족하지 못하고 있던 사진 clustering을 개인 컴퓨터에서 1차적으로 할 수 있도록 하는것을 목표로 간단한 프로젝트를 진행해보겠다고 생각을 하게되었습니다. 기능 목표 일차적으로는 face_recognition부터 시작해서 사진 또는 영상을 분류하고 처리하는 라이브러리들을 사용해봅니다. 그것을 기반으로 사진을 분류하는 내부 웹서버를 올려서 분류하고 정리하는 웹페이지정도를 만드는게 목표, 기존에 아쉬웠던 점은 아래와 같습니다. 1차로 사진과 영상을 분석기가 분류합니다. 클러스터 단위로 분석된 사진들을 1차적으로 네이밍합니다.