[論文レビュー] DeepVisage: Making face recognition simple yet with powerful generalization skills

Abul Hasnat, Julien Bohné+3 more|arXiv (Cornell University)|Mar 24, 2017

Face recognition and analysis被引用数 20

ひとこと要約

DeepVisageは、アイデンティティラベル、特徴正規化、ソフトマックス損失のみを用いて、単一のCNNベースの顔認識手法を提案する。この手法は、複雑なトレーニング手順やマルチ損失最適化を用いなくても、最先端の性能を達成しており、LFWで99.62%、IJB-AでFAR=0.001の条件で82.4%のTAR、YouTube Facesで96.24%、CACDで99.13%の精度を達成した。これは、多様なデータセットにわたる強力な一般化性能を示している。

ABSTRACT

Face recognition (FR) methods report significant performance by adopting the convolutional neural network (CNN) based learning methods. Although CNNs are mostly trained by optimizing the softmax loss, the recent trend shows an improvement of accuracy with different strategies, such as task-specific CNN learning with different loss functions, fine-tuning on target dataset, metric learning and concatenating features from multiple CNNs. Incorporating these tasks obviously requires additional efforts. Moreover, it demotivates the discovery of efficient CNN models for FR which are trained only with identity labels. We focus on this fact and propose an easily trainable and single CNN based FR method. Our CNN model exploits the residual learning framework. Additionally, it uses normalized features to compute the loss. Our extensive experiments show excellent generalization on different datasets. We obtain very competitive and state-of-the-art results on the LFW, IJB-A, YouTube faces and CACD datasets.

研究の動機と目的

• 複雑なトレーニング手順や追加のデータ準備を必要とせず、最先端の性能を達成するシンプルな単一CNN顔認識手法の開発。
• アイデンティティラベルのみでトレーニングされた単一のCNNが、多様な顔認識ベンチマークにおいて効果的に一般化できるかどうかの調査。
• 特徴正規化とリーマン学習が顔認識における一般化性能と性能に与える影響の探求。
• 三重損失、メトリクス学習、マルチモデルアンサンブルなどの複雑な戦略への依存を減らすこと。
• 最小限のアーキテクチャ的・トレーニング的複雑性で高い性能を達成できることの実証。

提案手法

• 残差学習フレームワークを活用した27個の畳み込み層と1つの全結合層を有する深層CNN。トレーニングの安定性と性能向上に寄与する。
• ソフトマックス損失を計算する前に特徴正規化を適用することで、クラス内コンパクト性の向上とクラス間分離性の強化を図る。
• 三重損失やセンター損失のような複雑な損失関数を避けて、標準的なソフトマックス交差エントロピー損失を用いてアイデンティティラベルのみでトレーニング。
• 2枚の画像からの正規化された深層特徴間の単純なL2距離を用いて顔認証を実行。
• オンライン三重損失マイニングやオフライン三重損失生成などの計算集約的な前処理を回避。
• 標準的なディープラーニングコンponentsに依存するため、効率的で実装が容易なアーキテクチャ設計。

実験結果

リサーチクエスチョン

• RQ1 アイデンティティラベルのみでトレーニングされた単一の深層CNNが、最先端の顔認識性能を達成できるか？
• RQ2 ソフトマックス損失の前段階で特徴正規化を適用することで、追加の損失コンponentsがなくても一般化性能が向上するか？
• RQ3 複雑なマルチ損失またはマルチモデルアプローチと比較して、本手法の精度およびデータセット全体にわたる一般化性能はどのように異なるか？
• RQ4 本手法の失敗モードは何か。画像品質、ポーズ、遮蔽、ランドマーク検出の問題とどのように関連しているか？
• RQ5 正規化された特徴を有するシンプルなリーマンベースCNNが、メトリクス学習やアンサンブル特徴を用いるより複雑なアーキテクチャを上回れるか？

主な発見

• DeepVisageはLFWベンチマークで99.62%の精度を達成し、非制約的な顔認証において強力な性能を示した。
• IJB-AデータセットではFAR=0.001の条件で82.4%のTARを達成し、テンプレートベース顔マッチング分野で最先端の手法の一つとなった。
• YouTube Facesデータセットでは96.24%の精度を達成し、動画ベースの顔認識の課題に強く対応していることが示された。
• CACDデータセットでは99.13%の精度を獲得し、年齢の異なる顔認識のシナリオでも高い性能を示した。
• ポーズ、照明、年齢の変動が著しいデータセットに対しても、本手法は良好な一般化性能を示した。
• 失敗解析の結果、遮蔽（眼鏡、帽子など）、顔のポーズ変動、ランドマーク検出の失敗が誤予測の主な要因であることが明らかになった。