슬라이딩 윈도우 서명 패턴 기반 얼굴 검증(IMGNET V1): LFW 96.27%와 ArcFace 임베딩 99.58% 결과

공개된 코드와 논문 링크로 인해 실무 검증 요청과 재현 시도 제안이 다수 접수된 분위기이다. 여러 사용자가 ArcFace 임베딩에 대한 적용 사례와 LFW 결과에 주목했으며 모델 크기 대비 성능 근접성에 긍정적 반응을 보였다. 동시에 공간적 조직성 가설과 임계값 공유 전략의 일반화 가능성에 대한 추가 실험을 요구하는 목소리도 있었다.

• 사전 계산된 임베딩에도 IMG Sign Score를 재학습 없이 적용할 수 있어 기존 ArcFace 임베딩에 손쉽게 실험을 확장할 수 있다.
• 임계값 튜닝을 줄이려면 세 메트릭을 동일 임계값으로 운영하고 2/3 이상 합격을 MATCH로 처리하는 투표 방식을 도입하면 판정 신뢰도를 높일 수 있다.
• SW 블록 도입 시 윈도우 크기를 본문처럼 소수(3,5,7)로 설정하고 각 위치의 이웃과의 차분을 MLP로 매핑하는 구조를 우선 시도하면 부호 패턴 기반 학습과 호환성이 높다.

Sliding Window

— 벡터나 피처 맵을 고정 크기 윈도우로 겹치게 훑어가며 지역 단위의 패턴을 비교하는 기법으로, 이 글에서는 임베딩 차원을 연속 구간으로 나누어 각 구간의 부호(sign) 패턴을 검사하는 방식으로 유사도를 계산하는 데 사용되었다. 입력 임베딩의 절대 크기 대신 국소적 부호 합치기 여부를 기준으로 유사도를 산출하여 전역 코사인 유사도 대비 잡음에 더 강한 특성을 얻고자 했다. 구현상 겹치는 윈도우와 다중 스케일(예: 3,5,7) 설정이 핵심 설계 요소로 작동한다.

Sign Pattern

— 임베딩 벡터 성분의 양·음(부호) 정보로 구성된 이진화된 패턴으로, 본문에서는 겹친 윈도우 내 성분들의 부호 일치 여부를 측정하는 근거로 사용되었다. 부호 정보를 사용하면 진폭(크기) 변동에 덜 민감한 비교가 가능해져 다른 촬영 조건이나 스케일 차이에서의 강건성이 향상될 가능성이 있다. IMG Sign MSE 손실과 결합되어 학습 과정에서 부호 일관성을 직접 최적화했다는 점이 중요하다.

IMG Sign MSE

— 임베딩의 지역 부호 일치도를 목표로 정의된 평균제곱 오차 기반 손실로, 두 임베딩의 윈도우별 부호 유사도(score)를 계산한 뒤 같은 클래스 쌍에는 (1-score)^2를, 다른 클래스 쌍에는 score^2를 최소화하도록 학습한다. tanh와 gate 함수 조합을 통해 부호 중심의 점수(score)를 산출하고 β 계수로 민감도를 조절한다는 설계적 특징이 있다. 글에서는 진폭 기반 대안보다 에폭 간 변동성이 낮아 안정적인 학습이 관찰되었다고 보고되었다.

SW Block

— 표준 컨볼루션을 대체하는 첫 번째 계층 설계로, 각 위치에서 주어진 크기의 이웃들과의 차분을 계산하고 이를 소형 MLP로 매핑하는 다중 스케일 관계 연산을 수행한다. 저자는 윈도우 크기를 소수(prime)인 3,5,7로 선택하여 임베딩 차원과의 주기적 정렬 아티팩트를 회피했다고 기술했다. 이 블록은 지역적 부호 패턴을 추출하는 전처리 역할을 하며 이후 서명 기반 손실과 결합되어 학습되었다.