[論文レビュー] Examplers based image fusion features for face recognition

Alex Pappachen James, Sima Dimitrijev|arXiv (Cornell University)|Jan 28, 2012

Face and Expression Recognition参考文献 21被引用数 3

ひとこと要約

本稿では、人物の複数のギャラリー画像を融合して判別可能な特徴を生成する、例示者ベースの画像統合手法を提案する。生物学的にインspiredされた局所的バイナリ意思決定を用いることで、認識精度と安定性が向上する。この手法は、6つのベンチマークデータセットで99.0–100.0%の認識精度を達成し、顔認識の平均化手法など単一モデル手法を上回る性能を示す。

ABSTRACT

Examplers of a face are formed from multiple gallery images of a person and are used in the process of classification of a test image. We incorporate such examplers in forming a biologically inspired local binary decisions on similarity based face recognition method. As opposed to single model approaches such as face averages the exampler based approach results in higher recognition accu- racies and stability. Using multiple training samples per person, the method shows the following recognition accuracies: 99.0% on AR, 99.5% on FERET, 99.5% on ORL, 99.3% on EYALE, 100.0% on YALE and 100.0% on CALTECH face databases. In addition to face recognition, the method also detects the natural variability in the face images which can find application in automatic tagging of face images.

研究の動機と目的

• 顔認識の精度と安定性を、顔認識の平均化手法など単一モデル手法を上回る形で向上させること。
• 個々の人物に対して複数のトレーニングサンプルを用いて、自然な顔の変異をモデル化すること。
• 顔認識における局所的類似性意思決定のための生物学的にインspiredな手法を開発すること。
• 自然な顔の変異を検出することで、顔画像の自動タグ付けを可能にすること。
• 例示者統合を用いて、標準的な顔認識ベンチマークで優れた性能を示すこと。

提案手法

• 同一人物の複数のギャラリー画像を重み付き統合戦略を用いて統合し、例示者を構築する。
• テスト画像と例示者間の類似性に基づく局所的バイナリ意思決定をピクセル単位またはパッチ単位で適用する。
• 人間の視覚的顔類似性認識を模倣する生物学的にインspiredな意思決定メカニズムを用いる。
• 同一アイデンティティの複数のトレーニングサンプルを統合することで、耐性を高め、過学習を低減する。
• 局所的意思決定の投票またはコンSENSUSメカニズムを用いて、最終的な顔認識を決定する。
• 制御された条件下での評価に、標準的な顔認識データベース（AR, FERET, ORL, EYALE, YALE, CALTECH）を用いる。

実験結果

リサーチクエスチョン

• RQ1 1人あたりの複数のギャラリー画像を統合することで、単一画像モデルと比較して顔認識精度が向上するか？
• RQ2 例示者ベースの統合手法は、さまざまな条件下でも顔認識の安定性と耐性を向上させるか？
• RQ3 この手法は、自動画像タグ付けの応用を想定して、自然な顔の変異をどの程度検出し、モデル化できるか？
• RQ4 生物学的にインspiredされた局所的意思決定メカニズムは、従来のグローバル特徴抽出手法と比較して、顔認識においてどのように異なるか？
• RQ5 この例示者統合手法を用いることで、多様なベンチマークデータセットでどの程度の認識性能が達成できるか？

主な発見

• 例示者ベースの手法は、ARデータベースで99.0%の認識精度を達成した。
• この手法は、FERETおよびORLデータベースの両方で99.5%の精度に達した。
• EYALEデータベースでは99.3%の精度を達成し、YALEおよびCALTECHデータベースでは100.0%の精度を記録した。
• 1人の人物に対して複数のトレーニングサンプルを統合することで、単一モデルベースラインと比較して顔認識性能が顕著に向上した。
• この手法は自然な顔の変異を効果的にモデル化でき、自動顔画像タグ付けの応用が可能であると示唆された。
• 生物学的にインspiredされた局所的意思決定メカニズムは、従来の平均化手法と比較して、より高い安定性と精度に寄与した。