[論文レビュー] DAGER: Deep Age, Gender and Emotion Recognition Using Convolutional Neural Network

Afshin Dehghan, Enrique Ortiz+2 more|arXiv (Cornell University)|Feb 14, 2017

Emotion and Mood Recognition参考文献 5被引用数 80

ひとこと要約

DAGERは、実年齢、見かけの年齢、性別、感情認識のためのCNNのエンドツーエンドシステムを提示し、社内の大規模データセットで訓練され、ベンチマークで最先端の結果を達成します。

ABSTRACT

This paper describes the details of Sighthound's fully automated age, gender and emotion recognition system. The backbone of our system consists of several deep convolutional neural networks that are not only computationally inexpensive, but also provide state-of-the-art results on several competitive benchmarks. To power our novel deep networks, we collected large labeled datasets through a semi-supervised pipeline to reduce the annotation effort/time. We tested our system on several public benchmarks and report outstanding results. Our age, gender and emotion recognition models are available to developers through the Sighthound Cloud API at https://www.sighthound.com/products/cloud

研究の動機と目的

• 現実世界の応用（セキュリティ、HCI、識別）における頑健な顔属性認識を動機づける。
• 年齢・性別・感情推定のためのエンドツーエンドで計算効率の高いパイプラインを開発する。
• 各属性ごとに専門化したネットワークを訓練するため、巨大な半教師ありデータセットを活用する。

提案手法

• 40,000 以上のアイデンティティから400万枚を超える画像でバックボーン顔認識モデルを訓練し、特徴抽出器として機能させる。
• バックボーン特徴を用いて実年齢、見かけの年齢、性別、感情のタスク固有のネットワークを微調整する。
• ネットワーク訓練前に、顔検出、68点のランドマークベースのアライメント、標準化された入力へのクロッピングを使用する。
• 大規模な年齢/性別/感情データセットを作成するために半自動データラベリングパイプラインを採用する。
• 公開ベンチマークおよび商用APIと比較して性能向上を示す。
• 開発者向けにSighthound Cloud API経由でモデルを提供する。

実験結果

リサーチクエスチョン

• RQ1 単一のバックボーンネットワークとタスク特化ヘッドで、実年齢、見かけの年齢、性別、感情認識の高精度を同時に達成できるか？
• RQ2 半教師付きラベリングを含む大規模な社内データは、公開データセットや既存の商用システムより精度を向上させるか？
• RQ3 これらのモデルは標準ベンチマーク（Group、Adience、Chalearn）で、商用APIと比べてどう性能を示すか？
• RQ4 顔属性認識において、別々のタスクネットワーク設計は、マルチタスクの一体型モデルよりも効率的で高精度か？

主な発見

• 実年齢推定：Sighthoundは内部データセットでMAE 5.76を達成し、Rothe et al. (7.34)、Microsoft (7.62)、Kairos (10.57)、Face++ (11.04)を上回った。
• Groupデータセット：Top-1年齢分類精度70.5%、1オフ精度96.2%、Hou et al.、Rothe et al.、Dong et al. などを上回る。
• Adienceベンチマーク：Top-1精度61.3%（±3.7%）、いくつかの従来法を上回る。
• 見かけの年齢推定：Chalearn LAP 2016でテスト誤差0.319を達成、2位、トップのマルチ-CNN手法より速い速度で単一CNNを使用。
• 感情認識：Sighthound専用データセットで76.1%の精度、Microsoft Face API (61.3%)を上回る。
• 性別認識：Adienceベンチマーク精度91.00%、Microsoft (90.86%) およびいくつかの従来法を上回る。