[論文レビュー] Collaborative representation-based robust face recognition by discriminative low-rank representation

Wen Yi Zhao, Xiao‐Jun Wu+2 more|arXiv (Cornell University)|Dec 17, 2019

Face and Expression Recognition参考文献 25被引用数 3

ひとこと要約

本稿では、訓練画像およびテスト画像の両方におけるオクルージョンやノイズに対して頑健性を向上させる、協調表現に基づく顔認識（DLRR-CR）のための判別的低ランク表現手法を提案する。クラスの部分辞書間の構造的不整合性を強制し、低ランクの射影行列を学習することで、スパarsityに基づく手法よりも低い計算コストで優れた識別精度を達成する。

ABSTRACT

We consider the problem of robust face recognition in which both the training and test samples might be corrupted because of disguise and occlusion. Performance of conventional subspace learning methods and recently proposed sparse representation based classification (SRC) might be degraded when corrupted training samples are provided. In addition, sparsity based approaches are time-consuming due to the sparsity constraint. To alleviate the aforementioned problems to some extent, in this paper, we propose a discriminative low-rank representation method for collaborative representation-based (DLRR-CR) robust face recognition. DLRR-CR not only obtains a clean dictionary, it further forces the sub-dictionaries for distinct classes to be as independent as possible by introducing a structural incoherence regularization term. Simultaneously, a low-rank projection matrix can be learned to remove the possible corruptions in the testing samples. Collaborative representation based classification (CRC) method is exploited in our proposed method which has closed-form solution. Experimental results obtained on public face databases verify the effectiveness and robustness of our method.

研究の動機と目的

• 訓練画像およびテスト画像がオクルージョン、仮装、ノイズによって汚染される状況下での頑健な顔認識の課題に対処すること。
• ℓ₁最小化による計算コストが高いため、スパース表現に基づく分類（SRC）の限界を克服すること。
• 汚染下でも識別力と頑健性を向上させるために、従来の協調表現（CRC）を改善すること。
• テストサンプルの汚染を処理できるように、綺麗で低ランクの辞書と低ランクの射影行列を同時に学習する手法を開発すること。
• ℓ₁正則化をℓ₂に基づく協調表現に置き換えることで、計算複雑性を低減しつつ高い識別精度を達成すること。

提案手法

• 訓練データの低ランク表現を学習するとともに、異なるクラスの部分辞書間の構造的不整合性を強制する、判別的低ランク表現（DLRR）フレームワークを提案する。
• クラス固有の部分辞書の独立性を最大化するために、構造的不整合正則化項を導入し、識別能力を向上させる。
• 訓練中に低ランクの射影行列を学習し、テストサンプルを汚染を除去する低次元空間に射影する。
• 高速で閉形式解が得られるℓ₂正則化を用いた協調表現に基づく分類（CRC）を用いることで、計算コストを低減する。
• 交替方向乗数法（ADMM）を用いて、低ランクおよび不整合性の項を同時に最適化する。
• 学習済みの射影行列をテストサンプルに適用し、分類の前にノイズやオクルージョンを抑制する。

実験結果

リサーチクエスチョン

• RQ1 既存のスパースまたは協調表現手法と比較して、低ランク表現フレームワークは、訓練およびテスト顔画像の両方における汚染に対する頑健性を向上させることができるか？
• RQ2 異なるクラスの部分辞書間の構造的不整合性を強制することで、汚染下における顔認識の識別力が向上するか？
• RQ3 明示的なオクルージョンモデルなしに、学習済みの低ランク射影行列がテストサンプルからの汚染を効果的に除去できるか？
• RQ4 人工的オクルージョンの異なるレベル下で、SRC や CRC、LRRに基づく手法と比較して、提案手法 DLRR-CR の正確性と効率性はどのように異なるか？
• RQ5 ℓ₁スパarsityがなくても、低ランクおよび不整合制約と組み合わせたℓ₂ベースの協調表現は、十分に頑健な識別に役立つのか？

主な発見

• 10%ピクセル汚染下の拡張 Yale B データベースでは、100次元の固有顔特徴で DLRR-CR が 98.28% の識別精度を達成し、SRC（94.99%）および CRC（97.02%）を上回った。
• 20%ピクセル汚染下では、100D で DLRR-CR が 96.99% の精度を維持し、SRC（90.93%）および CRC（95.27%）を顕著に上回った。
• ブロックオクルージョンの条件下では、10%汚染で 100D で DLRR-CR が 97.74% の精度を達成し、DLRR-SRC（96.33%）および LRR-CRC（92.85%）を上回った。
• 300D 特徴では、10%ピクセル汚染下で 99.08% の精度、10%ブロックオクルージョン下で 98.78% の精度を達成し、強い頑健性を示した。
• 閉形式解による CRC の利点を活かし、すべてのテストベンチマークで最先端の性能を達成しながら、計算コストを低く維持した。
• アブレーションスタディの結果、構造的不整合項および低ランク射影行列の両方が、特に高汚染レベル下での性能向上に不可欠であることが確認された。