[論文レビュー] Deep Convolutional Neural Network for Age Estimation based on VGG-Face Model

Zakariya Qawaqneh, Arafat Abu Mallouh+1 more|arXiv (Cornell University)|Sep 5, 2017

Face recognition and analysis被引用数 46

ひとこと要約

本稿では、事前学習されたVGG-Faceモデルを用いた年齢推定のための転移学習アプローチを提案している。アドエンスデータセット上で顔認識畳み込みニューラルネットワーク（CNN）を微調整することで、年齢推定の精度が著しく向上することを示している。主な貢献は、大規模な顔認識データで事前学習することで、元のタスクとは異なるタスク（年齢推定）においても過学習を軽減し、性能を向上させられることを実証したことにある。

ABSTRACT

Automatic age estimation from real-world and unconstrained face images is rapidly gaining importance. In our proposed work, a deep CNN model that was trained on a database for face recognition task is used to estimate the age information on the Adience database. This paper has three significant contributions in this field. (1) This work proves that a CNN model, which was trained for face recognition task, can be utilized for age estimation to improve performance; (2) Over fitting problem can be overcome by employing a pretrained CNN on a large database for face recognition task; (3) Not only the number of training images and the number subjects in a training database effect the performance of the age estimation model, but also the pre-training task of the employed CNN determines the performance of the model.

研究の動機と目的

• 顔認識のために事前学習された深層CNNが、年齢推定に効果的に微調整可能かどうかを調査すること。
• 事前学習が年齢推定におけるモデルの汎化性能に与える影響を評価すること。
• 事前学習タスクの選択が、年齢推定精度に与える影響を分析すること。
• 限られた学習データにおける年齢推定で一般的に見られる過学習問題を緩和すること。
• 非制約的で現実世界の顔画像環境において、転移学習の有効性を実証すること。

提案手法

• アドエンスデータセット上で、事前学習済みVGG-Faceモデルを年齢推定のために微調整すること。
• VGG-Faceネットワークの最終全結合層からの特徴抽出を、新しい回帰ヘッドの入力として利用すること。
• 大規模な顔認識データから学習された特徴を活用するための転移学習を採用すること。
• 凍結された特徴の上に回帰ヘッドを設けて、顔画像から年齢を予測すること。
• 初期の畳み込み層を固定したまま、最終層をエンドツーエンドで学習させ、一般特徴を保持すること。
• データ拡張および正則化技術を用いて、年齢推定タスクにおける過学習を軽減すること。

実験結果

リサーチクエスチョン

• RQ1 顔認識のために事前学習されたCNNが、年齢推定に効果的に適応可能か？
• RQ2 顔認識からの転移学習が、非制約的データセットにおける年齢推定性能を向上させるか？
• RQ3 事前学習タスクが最終的な年齢推定精度に与える影響はいかほどか？
• RQ4 限られた学習データにおける年齢推定において、事前学習が過学習をどの程度軽減するか？
• RQ5 性能向上は特徴の転送によるものか、アーキテクチャの能力そのものによるものか？

主な発見

• 事前学習済みVGG-Faceモデルは、初期化から学習を開始した場合に比べ、優れた年齢推定性能を達成した。
• VGG-Faceモデルをアドエンスデータセット上で微調整することで、過学習が顕著に軽減された。
• 事前学習タスクはモデル性能に顕著な影響を与え、顔認識での事前学習はランダム初期化よりも優れた結果をもたらした。
• 転移学習のおかげで、非制約的で現実世界の顔画像においても一般化性能が向上した。
• ベースラインモデルを上回る性能を示し、年齢推定における転移学習の有効性を確認した。
• 結果から、事前学習の質が年齢推定性能において重要な要因であることが示唆された。