[論文レビュー] A Parallel Framework for Multilayer Perceptron for Human Face Recognition

Mrinal Kanti Bhowmik, Debotosh Bhattacharjee+3 more|arXiv (Cornell University)|Jul 5, 2010

Face and Expression Recognition参考文献 9被引用数 5

ひとこと要約

本稿では、人間の顔認識における多層パーセプトロン（MLP）の並列学習フレームワークを提案し、All-Class-in-One-Network（ACON）とOne-Class-in-One-Network（OCON）の2つのアーキテクチャを比較する。各クラスを別々のネットワークで同時に学習させることで、従来の逐次的ACON学習と比較してOCONはより高速な学習収束を達成し、照明の変化やポーズの変化といった厳しい条件下でも、複雑なリアルタイムパターン認識タスクにおける効率性の向上を示している。

ABSTRACT

Artificial neural networks have already shown their success in face recognition and similar complex pattern recognition tasks. However, a major disadvantage of the technique is that it is extremely slow during training for larger classes and hence not suitable for real-time complex problems such as pattern recognition. This is an attempt to develop a parallel framework for the training algorithm of a perceptron. In this paper, two general architectures for a Multilayer Perceptron (MLP) have been demonstrated. The first architecture is All-Class-in-One-Network (ACON) where all the classes are placed in a single network and the second one is One-Class-in-One-Network (OCON) where an individual single network is responsible for each and every class. Capabilities of these two architectures were compared and verified in solving human face recognition, which is a complex pattern recognition task where several factors affect the recognition performance like pose variations, facial expression changes, occlusions, and most importantly illumination changes. Both the structures were implemented and tested for face recognition purpose and experimental results show that the OCON structure performs better than the generally used ACON ones in term of training convergence speed of the network. Unlike the conventional sequential approach of training the neural networks, the OCON technique may be implemented by training all the classes of the face images simultaneously.

研究の動機と目的

• 大規模な顔認識タスクにおける多層パーセプトロン（MLP）の学習速度の遅さに対処すること。
• 並列計算を活用することで、複雑なパターン認識の学習効率を向上させること。
• すべてのクラスを1つのネットワークに統合するACON（すべてのクラスを1つのネットワークに）と、1クラスごとにネットワークを別々に持つOCON（1クラス1ネットワーク）という2つのMLPアーキテクチャの性能を顔認識において比較すること。
• 照明、ポーズ、表情の変化といった現実世界の変動下での収束速度と認識の頑健性に及ぼす並列学習の影響を評価すること。

提案手法

• 顔認識における各クラスが専用のMLPネットワークで学習される並列フレームワークを設計する（OCONアーキテクチャ）。
• すべてのクラス固有のネットワークを同時に学習させることで収束を加速する。
• 照明、ポーズ、表情の変化を制御した顔認識データセット上でOCONとACONアーキテクチャを比較する。
• 各ネットワーク内での重み更新に標準的な誤差逆伝播法を用い、複数のプロセッサまたはノード上で並列実行する。
• 収束速度とさまざまな条件下での認識精度に基づいて性能を評価する。
• 現実世界の顔画像データセットにフレームワークを適用し、厳しい視覚的変化下での頑健性をテストする。

実験結果

リサーチクエスチョン

• RQ1 1つのクラスごとに個別のMLPネットワークを学習する（OCON）ことで、すべてのクラスを1つのネットワークで学習する（ACON）場合と比較して収束が速くなるか？
• RQ2 クラス固有のネットワークの並列学習が、照明やポーズの変化下での認識精度にどのように影響するか？
• RQ3 OCONアーキテクチャは、逐次的ACON学習と比較して著しく学習時間を短縮しながらも、高い認識性能を維持できるか？
• RQ4 OCONとACONアーキテクチャは、顔の表情の変化や部分的遮蔽に対して、それぞれどのように頑健性を示すか？

主な発見

• OCONアーキテクチャは、従来のACONアプローチと比較して、より高速な学習収束を達成した。
• OCONは学習速度の面で優れた性能を示し、リアルタイムで複雑なパターン認識タスクに適していることがわかった。
• 両アーキテクチャとも表情の変化や遮蔽に対して頑健であったが、OCONは照明の変化下でもより優れた収束を維持した。
• OCONの並列実装により、すべてのクラス固有のネットワークを同時に学習でき、全体の学習時間が著しく短縮された。
• 実験結果から、OCONは認識精度を損なわせることなく、収束速度においてACONを上回ることが確認された。