02. 용어 사전 — 임베딩·정렬·임계값·FAR FRR·라이브니스 — 깊이 파는 얼굴 인식과 감정 분석

본편을 읽다 용어가 헷갈릴 때 빠르게 확인하는 사전입니다. 한 줄 정의와 함께, 자세히 다룬 PART를 적어 두었습니다. 처음 공부하는 분은 이 장을 먼저 훑어 큰 그림을 잡아도 좋습니다.

검출·랜드마크

얼굴 검출(detection): 이미지에서 얼굴의 위치(사각형)를 찾는 일. (PART 02)
바운딩 박스(bounding box): 얼굴을 둘러싼 사각형. (x,y,w,h) 또는 (x1,y1,x2,y2)로 표기. (PART 02 Ch01)
신뢰도(confidence): 검출 결과가 진짜 얼굴일 확신 정도(0~1). (PART 02 Ch01)
NMS(비최대 억제): 같은 얼굴에 겹친 박스들을 하나로 정리하는 후처리. (PART 02 Ch01)
랜드마크(landmark): 눈·코·입 등 얼굴의 주요 지점 좌표. 5점·68점·468점. (PART 03)
정렬(alignment): 두 눈을 수평으로 맞춰 얼굴을 똑바로 세우는 일. 인식 정확도를 높임. (PART 03 Ch04)
EAR(눈 가로세로비): 눈이 얼마나 감겼는지를 나타내는 값. 깜빡임·졸음 감지에 사용. (PART 03 Ch05)

인식·임베딩

임베딩(embedding): 얼굴을 고정 길이의 숫자 목록(벡터)으로 압축한 것. 같은 사람은 비슷한 값. (PART 04 Ch01)
유클리드 거리: 두 임베딩 사이의 직선 거리. 작을수록 닮음. (PART 04 Ch02)
코사인 유사도: 두 임베딩이 이루는 각도. 클수록(최대 1) 닮음. (PART 04 Ch02)
임계값(threshold): 같다/다르다를 가르는 거리·유사도의 경계선. (PART 04 Ch02)
1:1 확인(verification): "본인이 맞나"를 한 번 비교. (PART 04 Ch03)
1:N 식별(identification): "누구인가"를 등록된 N명과 비교해 찾기. (PART 04 Ch03)
triplet: 앵커·긍정·부정 세 얼굴로 "같은 건 가깝게, 다른 건 멀게" 학습하는 방식(FaceNet). (PART 04 Ch04)
ArcFace: 경계에 여유(margin)를 더해 또렷하게 학습하는 고정확도 방식. (PART 04 Ch04, PART 07)
원샷 인식(one-shot): 사진 한 장 등록만으로 인식. 재학습 불필요. (PART 04 Ch05)
클러스터링(clustering): 라벨 없이 비슷한 얼굴끼리 자동으로 묶기. (PART 05 Ch03)
faiss: 대규모 임베딩에서 가장 가까운 것을 빠르게 찾는 검색 엔진. (PART 07 Ch04)

감정·속성

블렌드셰이프(blendshape): 표정을 52개 근육 계수(각 0~1)로 표현. (PART 08 Ch04)
Action Unit(AU): FACS의 표준 표정 단위. 근육 움직임으로 표정을 기술. (PART 08 Ch05)
FER2013: 7분류 표정 인식의 표준 데이터셋(저해상도·라벨잡음 한계). (PART 08 Ch01)

위조 방지·운영

라이브니스(liveness): 카메라 앞이 살아 있는 진짜 얼굴인지 판정. (PART 09)
스푸핑(spoofing): 사진·영상·마스크로 시스템을 속이는 위조 공격. (PART 09 Ch01)
패시브/액티브: 사용자 협조 없이(패시브) vs 동작 요구(액티브) 라이브니스. (PART 09 Ch01)
FAR(오수용률): 타인을 본인으로 잘못 통과시키는 비율. 보안 위험. (PART 11 Ch01)
FRR(오거부율): 본인을 타인으로 잘못 막는 비율. 사용 불편. (PART 11 Ch01)
EER(동일 오류율): FAR과 FRR이 같아지는 균형점. (PART 11 Ch01)
트래킹(tracking): 프레임 간 같은 얼굴을 이어 따라가기. (PART 11 Ch02)
보팅(voting): 최근 여러 프레임 결과를 다수결로 안정화. (PART 11 Ch02)

환경·배포

conda / conda-forge: 빌드 없이 패키지를 설치하는 도구·채널. (PART 01)
ONNX / onnxruntime: 프레임워크 공통 모델 형식과 가벼운 실행기. (PART 07 Ch03)
provider: onnxruntime의 실행 장치(CPU·CUDA·CoreML). (PART 07 Ch03)
양자화(quantization): 가중치 정밀도를 낮춰 모델을 가볍게. (PART 11 Ch04)
environment.yml: conda 환경 전체를 담아 재현하는 파일. (PART 01 Ch05, PART 11 Ch05)

이 장에서 기억할 것

이 용어들은 따로 외우기보다 본편을 읽으며 자연스럽게 익히는 것이 좋습니다. 막힐 때 이 사전에서 한 줄 정의를 확인하고, 더 깊이는 적힌 PART로 가세요. 큰 줄기는 단 두 개입니다. "얼굴을 벡터(임베딩)로 바꾸고, 거리로 비교한다"와 "오류에는 FAR·FRR 두 종류가 있고 임계값으로 맞바꾼다". 이 둘만 잡으면 나머지 용어가 제자리를 찾습니다.