[論文レビュー] Cross-Age LFW: A Database for Studying Cross-Age Face Recognition in Unconstrained Environments

Tianyue Zheng, Weihong Deng+1 more|arXiv (Cornell University)|Aug 28, 2017

Face recognition and analysis参考文献 20被引用数 304

ひとこと要約

CALFW は LFW の年齢差を大きくした正例ペアを3,000組、同じ性別と人種の負例ペアを選択することで、ベースライン手法全体で LFW と比較して精度が10-17%低下することを明らかにする。

ABSTRACT

Labeled Faces in the Wild (LFW) database has been widely utilized as the benchmark of unconstrained face verification and due to big data driven machine learning methods, the performance on the database approaches nearly 100%. However, we argue that this accuracy may be too optimistic because of some limiting factors. Besides different poses, illuminations, occlusions and expressions, cross-age face is another challenge in face recognition. Different ages of the same person result in large intra-class variations and aging process is unavoidable in real world face verification. However, LFW does not pay much attention on it. Thereby we construct a Cross-Age LFW (CALFW) which deliberately searches and selects 3,000 positive face pairs with age gaps to add aging process intra-class variance. Negative pairs with same gender and race are also selected to reduce the influence of attribute difference between positive/negative pairs and achieve face verification instead of attributes classification. We evaluate several metric learning and deep learning methods on the new database. Compared to the accuracy on LFW, the accuracy drops about 10%-17% on CALFW.

研究の動機と目的

• 加齢関連の同一クラス内変動を導入して、より現実的な顔認証ベンチマークを動機づける。
• ネガティブの性別と人種を制御しつつ、LFW の同一人物識別を大きな年齢差で拡張して CALFW を作成する。
• LFW の検証プロトコルを維持し、研究者による直接比較と採用を容易にする。

提案手法

• 実現可能な最大の年齢差を持つ LFW のアイデンティティの画像を収集して CALFW を構築する。
• 顔を検出・切り取り・整列・重複除去を行い、正確性のためラベルとランドマークを手動で検証する。
• 各画像の年齢を Dex モデルで推定し、正例の最大年齢差を強調するような訓練/テストペアを作成する。
• 属性差を最小化するため、ネガティブペアは同じ性別と人種の個人から形成する。
• CALFW 上でベースラインのメトリック学習とディープラーニング手法を評価し、難易度を測るために LFW と比較する。

実験結果

リサーチクエスチョン

• RQ1 大きな跨年齢の同一クラス内変動を導入すると、LFW と比較して顔認証性能が低下するか？
• RQ2 属性を制御したネガティブ（同じ性別/人種）は CALFW の検証難易度にどう影響するか？
• RQ3 年齢を同一クラス内の変動として明示的にモデル化した場合、標準的なメトリック学習とCNN ベースアプローチは性能を維持するか？

主な発見

• CALFW は正例ペアの年齢差を平均 16.61 年（標準偏差 10.78）まで拡大し、LFW の 4.94 年（SD 4.24）と比較して同一クラス内の年齢分散を増加させる。
• CALFW のネガティブは正例と同じ性別・人種を持つものを選択し、属性差を減らす。
• ベースライン全体で CALFW は LFW と比較して検証精度を約 10–17%低下させる（例: ITML: LFW 82.37% 対 CALFW 68.82%、VGG-Face: LFW 97.85% 対 CALFW 86.50%、Noisy Softmax: LFW 99.18% 対 CALFW 82.52%）。
• CALFW は LFW における属性差が検証性能を引き上げる可能性を示し、CALFW の制御された設定は跨年齢検証のより現実的な難易度をもたらす。）