본 레포지토리는 AAAI 2022에 게재된 논문
“FedFR: Joint Optimization Federated Framework for Generic and Personalized Face Recognition”
(https://arxiv.org/abs/2112.12496)을 기반으로 한 경량 재구현 버전입니다.
본 프로젝트는 아나콘다(Conda) 기반 Python 환경에서 실행되도록 구성되었으며,
GPU가 없는 환경 또는 제한된 자원에서도 실행 가능한 단순화된 FedFR 학습 파이프라인을 제공합니다.
연구·교육 목적의 재현을 목표로 하며, 원 논문의 대규모 실험 환경 전체를 수행하지는 않습니다.
- 아나콘다 기반 Python 환경에서 손쉽게 실행 가능
- FedFR 구조를 반영한 Federated Learning 학습 루프 구현
- Global + Personalized 모델 구조 반영
- VGGFace2 데이터를 40개 클라이언트 / 4000 ID로 Federated Split
- CPU 환경에서도 구동 가능하도록 경량화
- LFW Generic Evaluation 지원
본 프로젝트는 얼굴 인식 모델 학습 및 평가를 위해
VGGFace2(학습용)와 LFW(평가용) 데이터셋을 사용합니다.
현재 두 데이터셋의 공식 다운로드 링크는 정상 작동하지 않기 때문에,
사용자는 연구 커뮤니티에서 제공하는 대체 미러 링크를 통해 직접 다운로드해야 합니다.
본 저장소는 저작권 및 개인정보 보호 정책에 따라
어떠한 이미지 데이터도 포함하지 않습니다.
다음 연구 커뮤니티 미러를 통해 다운로드할 수 있습니다:
- Academic Torrents (Research Sharing Platform):
https://academictorrents.com/?search=vggface2
⚠️ 주의
- Academic Torrents는 커뮤니티 기반 플랫폼으로,
데이터가 공식 허가된 배포본인지 여부는 사용자 책임하에 확인해야 합니다.- 본 저장소는 데이터를 직접 제공하지 않으며, 다운로드 및 사용 시
VGGFace2 라이선스를 준수해야 합니다.
본 프로젝트에서는 Kaggle에 업로드된 LFW 미러를 사용했습니다.
- Kaggle LFW Dataset:
https://www.kaggle.com/datasets/jessicali9530/lfw-dataset
⚠️ 주의
- LFW는 공개 데이터셋이지만 이미지 재배포는 허용되지 않습니다.
- 사용자는 Kaggle 계정으로 직접 다운로드해야 하며,
LFW 라이선스 조건을 준수해야 합니다.
data/ vggface2/ ... 이미지 파일 ... split/ ... federated split 결과 ... lfw/ ... LFW 이미지 파일 ...
본 저장소는 데이터 분할 스크립트(split_FL.py) 및 메타데이터만 제공하며,
이미지 파일은 포함하지 않습니다.
본 프로젝트는 VGGFace2 데이터셋을 기반으로 Federated Learning용 데이터를 생성했습니다.
아래 스크립트를 사용하여 40명의 클라이언트 / 4000명의 ID로 분할하였습니다.
⚠️ 단,--num_client와--num_ID값은 사용자 환경에 맞게 조정하여 사용할 수 있습니다.
더 많은 클라이언트로 나누거나, 더 적은 ID만 사용할 수도 있습니다.
python d:/FedFR-RE/split_dataset/split_FL.py \
--data_dir "D:/FedFR-RE/data/vggface2" \
--output_dir "D:/FedFR-RE/data/split" \
--num_client 40 \
--num_ID 4000본 프로젝트는 아나콘다(Conda) 환경에서 다음과 같이 설정했습니다.
- Conda 환경 생성 conda create -n fedfr python=3.8
- 환경 활성화 conda activate fedfr
🏋️ 학습 실행 방법
python train.py --lr 0.003 --num_client 40 --local_epoch 1 --total_round 5
📊 성능 평가 (LFW)
본 재구현 버전은 LFW 기반 Generic Embedding 성능 평가만 제공합니다.
- 짧은 학습 (Short Training)
리소스 제약으로 인해 약 5 라운드 수준의 FL 학습만 수행했습니다.
- IJB-C 평가 미지원
IJB-C Benchmark는:
복잡한 평가 프로토콜
대규모 메모리 필요 등의 이유로 포함하지 못했습니다.
- DFC 모듈 미구현
논문의 고급 기능인 DFC(Decomposed Feature Calibration)는 복잡성 및 메모리 문제로 제외했습니다.
- 데이터 규모 축소
원본 FedFR 실험 대비 4000 ID 정도의 축소된 데이터만 사용했습니다.
🙏 Acknowledgement
이 프로젝트는 학습 및 연구 목적의 단순 재구현이며, 상업적 사용을 위한 정식 구현이 아닙니다.