데이터셋 개요

IRIS-Recognition_2 이미지 데이터셋은 999장의 홍채 이미지로 구성되며 YOLOv8 형식으로 주석 처리되었습니다. 이미지는 EXIF 방향 정보 제거 후 640×640 해상도로 스트레칭되었으며, 51개 카테고리(IRIS-1mp ~ IRIS-52mp)로 분류됩니다. 각 이미지는 홍채 세부 구조(동공, 홍채 질감)를 명확히 보여주며, 회색조/적외선 영상으로 제공됩니다. 데이터셋은 훈련/검증/테스트 세트로 구분되어 홍채 인식 알고리즘 개발에 활용됩니다.

TOOD 알고리즘 개선

기본 구조

TOOD(Task-aligned One-stage Object Detection)는 분류(L_cls)와 회귀(L_reg) 작업을 동적으로 조정하는 단일 단계 객체 탐지 알고리즘입니다:

L<sub>total</sub> = α · L<sub>cls</sub> + β · L<sub>reg</sub>

α와 β는 입력 이미지 특성에 따라 가중치를 자동 조정하는 동적 계수입니다.

앵커 생성 최적화

기존 앵커 생성 방식을 간소화하고 DeltaXYWHBBoxCoder를 도입하여 학습 안정성을 향상:

def create_anchors(feature_sizes, base_scales, aspect_ratios):
    anchor_list = []
    for idx, (fmap_dim, scale, ratios) in enumerate(zip(feature_sizes, base_scales, aspect_ratios)):
        for y_coord in range(fmap_dim[0]):
            for x_coord in range(fmap_dim[1]):
                for ar in ratios:
                    width = scale * ar[0]
                    height = scale * ar[1]
                    anchor_list.append([x_coord, y_coord, width, height])
    return torch.FloatTensor(anchor_list)

작업 정렬 메커니즘

앵커 기반 작업 할당기와 품질 인식 분류 손실 함수를 설계:

L<sub>qcls</sub> = -1/N ∑<sub>i=1</sub><sup>N</sup> q<sub>i</sub> · [y<sub>i</sub> log(ŷ<sub>i</sub>) + (1-y<sub>i</sub>) log(1-ŷ<sub>i</sub>)]

q_i는 샘플 품질 점수로, 저품질 데이터 자동 필터링 기능을 제공합니다.

시스템 구현

전처리 파이프라인

class IrisRecognition:
    def __init__(self, model_file):
        self.network = load_model(model_file)
        self.preprocessor = create_transform()
        
    def process_image(self, input_img):
        transformed_img = self.preprocessor(input_img)
        with torch.no_grad():
            model_output = self.network(transformed_img.unsqueeze(0))
        results = interpret_output(model_output)
        return results

실험 결과

모델 최적화

프루닝 및 양자화를 통해 모델 매개변수 40% 감소, 추론 속도 35% 향상:

P<sub>compressed</sub> = P<sub>original</sub> × (1 - r<sub>p</sub>)
S<sub>compressed</sub> = S<sub>original</sub> × (1 + r<sub>s</sub>)

적용 분야

• 보안 시스템: 고위험 지역 접근 제어
• 금융 인증: 생체 인증 기반 결제 시스템
• 스마트 도어락: 비접촉식 출입 관리