[論文レビュー] Complex Matrix Factorization for Face Recognition

Viet-Hang Duong, Yuan-Shan Lee+4 more|arXiv (Cornell University)|Dec 8, 2016

Face and Expression Recognition参考文献 23被引用数 4

ひとこと要約

本稿では、実数値の顔画像を複素行列に変換することで、より効果的な特徴抽出と再構成を可能にする、複素行列因子分解（CMF）およびそのスパース版（SpaCMF）とグラフ正則化版（GraCMF）を提案する。この手法は複素数領域における制約のない最適化問題を定式化し、複素ベクトル空間の表現力の向上を活用することで、認識精度の向上を達成する。

ABSTRACT

This work developed novel complex matrix factorization methods for face recognition; the methods were complex matrix factorization (CMF), sparse complex matrix factorization (SpaCMF), and graph complex matrix factorization (GraCMF). After real-valued data are transformed into a complex field, the complex-valued matrix will be decomposed into two matrices of bases and coefficients, which are derived from solutions to an optimization problem in a complex domain. The generated objective function is the real-valued function of the reconstruction error, which produces a parametric description. Factorizing the matrix of complex entries directly transformed the constrained optimization problem into an unconstrained optimization problem. Additionally, a complex vector space with N dimensions can be regarded as a 2N-dimensional real vector space. Accordingly, all real analytic properties can be exploited in the complex field. The ability to exploit these important characteristics motivated the development herein of a simpler framework that can provide better recognition results. The effectiveness of this framework will be clearly elucidated in later sections in this paper.

研究の動機と目的

• 従来の実数値行列因子分解における限界を克服するため、複素数値表現を活用すること。
• 実数値顔データを複素行列に変換するフレームワークを構築し、複素数領域のより豊かな解析的性質を活用すること。
• 特徴学習と再構成の向上を目的として、複素数領域における制約のない最適化問題を定式化すること。
• スパースおよびグラフ正則化制約を複素行列因子分解フレームワークに統合し、認識性能を向上させること。

提案手法

• 実数値顔画像行列を複素数値行列に変換し、複素数領域での解析を可能にする。
• 制約のない最適化問題を用いて、複素行列を基底行列と係数行列に分解する複素行列因子分解（CMF）手法を定式化する。
• 係数行列のスパarsityを促進するためにL1ノルム正則化項を追加することで、スパース複素行列因子分解（SpaCMF）を導入する。
• 局所多様体構造を保つために、複素因子分解にグラフ正則化を統合し、顔データの局所構造を複素空間で維持する（GraCMF）。
• 再構成誤差に基づく目的関数を定義し、実数値のものとして定式化することで、複素数領域での効率的な最適化を可能にする。
• 複素数N次元空間が実数2N次元空間に等価であるという事実を活用し、実数解析的性質を完全に活用できるようにする。

実験結果

リサーチクエスチョン

• RQ1 従来の実数値手法と比較して、複素行列因子分解は顔認識性能を向上させることができるか？
• RQ2 係数行列にスパarsityを組み込むことで、複素数領域における認識精度にどのような影響を与えるか？
• RQ3 複素数空間におけるグラフ正則化は、局所データ構造をどの程度効果的に保持し、認識性能を向上させるか？
• RQ4 実顔データを複素行列に変換することで、認識タスクにおけるより効果的で安定した表現が得られるか？
• RQ5 複素数領域における制約のない最適化は、制約付きの実数領域の定式化を上回ることができるか？

主な発見

• 提案された複素行列因子分解手法は、複素ベクトル空間の表現能力の向上を活用することで、顔認識精度の向上を達成する。
• SpaCMFは、複素数領域におけるL1正則化によって、よりコンactな表現を促進することで、特徴のスパarsityと認識性能の両方を向上させる。
• GraCMFは顔データの局所多様体構造を効果的に保持し、変動に対するより強固な認識を実現する。
• 実データを複素行列に変換することで、制約のない最適化が可能となり、制約付き実数領域手法と比較して解法プロセスが簡素化される。
• 最適化された基底行列と係数行列を通じて、顔データのパrametricな記述が可能となり、再構成忠実度と認識のロバスト性が向上する。