최근 경량 딥러닝에 대한 연구는 탈중앙화에 따른 비용 절감, 보안, 전력 소모 등의 이슈로 인해 다양한 분야에 적용되고 있다. 경량화된 딥러닝 모델은 모바일 환경을 통해 데이터의 분산처리와 다양한 서비스를 제공한다. 본 연구에서는 모바일 환경에 적합한 두 가지 경량 얼굴 인식 딥러닝 모델을 비교하고 보다 적합한 모델을 찾고자 한다. MobileFaceNet은 이를 임베딩 환경에 배포하는데 최적화된 모델로 최근 연구되고 있는 ResNet모델과 비교하여 좀 더 적합한 모델을 찾고자 하였다. 데이터셋은 WebFace42M를 사용하였으며, 얼굴 정렬 기법으로는 RetinaFace를 이용하여 랜드마크를 추출하고, opencv의 affine 변환을 이용하여 얼굴을 정렬하였다. 두 모델을 적용한 결과, 동일한 임베딩 환경에서 ResNet-100이 더 나은 성능을 보였다.

최근 경량 딥러닝에 대한 연구는 탈중앙화에 따른 비용 절감, 보안, 전력 소모 등의 이슈로 인해 다양한 분야에 적용되고 있다. 경량화된 딥러닝 모델은 모바일 환경을 통해 데이터의 분산처리와 다양한 서비스를 제공한다. 본 연구에서는 모바일 환경에 적합한 두 가지 경량 얼굴 인식 딥러닝 모델을 비교하고 보다 적합한 모델을 찾고자 한다. MobileFaceNet은 이를 임베딩 환경에 배포하는데 최적화된 모델로 최근 연구되고 있는 ResNet모델과 비교하여 좀 더 적합한 모델을 찾고자 하였다. 데이터셋은 WebFace42M를 사용하였으며, 얼굴 정렬 기법으로는 RetinaFace를 이용하여 랜드마크를 추출하고, opencv의 affine 변환을 이용하여 얼굴을 정렬하였다. 두 모델을 적용한 결과, 동일한 임베딩 환경에서 ResNet-100이 더 나은 성능을 보였다.