[論文レビュー] Face Detection Using Adaboosted SVM-Based Component Classifier

Seyyed Majid Valiollahzadeh, Abolghasem Sayadiyan+1 more|ArXiv.org|Dec 13, 2008

Face and Expression Recognition参考文献 14被引用数 10

ひとこと要約

本論文では、不均衡データセットにおける性能向上を図るために、SVMの弱学習器における適応的カーネルパラメータチューニングを組み込んだ、Adaboost化されたSVMベースのコンponent分類器を提案する。この手法は、CMU+MIT顔データベースにおいて、決定木やニューラルネットワークを用いた従来のAdaboost手法を上回り、優れた汎化性能と分類精度を示している。

ABSTRACT

Recently, Adaboost has been widely used to improve the accuracy of any given learning algorithm. In this paper we focus on designing an algorithm to employ combination of Adaboost with Support Vector Machine as weak component classifiers to be used in Face Detection Task. To obtain a set of effective SVM-weaklearner Classifier, this algorithm adaptively adjusts the kernel parameter in SVM instead of using a fixed one. Proposed combination outperforms in generalization in comparison with SVM on imbalanced classification problem. The proposed here method is compared, in terms of classification accuracy, to other commonly used Adaboost methods, such as Decision Trees and Neural Networks, on CMU+MIT face database. Results indicate that the performance of the proposed method is overall superior to previous Adaboost approaches.

研究の動機と目的

• Adaboostとサポートベクターマシンを組み合わせることで、顔検出の精度を向上させること。
• 顔検出における不均衡データの課題に、SVMのカーネルパラメータを適応的に調整することで対処すること。
• Adaboostフレームワーク内での弱学習器の汎化性能を向上させること。
• 従来のAdaboostのコンponents（決定木やニューラルネットワーク）と本手法を比較すること。
• 実世界の適用可能性を検証するため、CMU+MIT顔データベース上で本手法を評価すること。

提案手法

• 固定カーネルを使用するのではなく、SVMの弱学習器におけるカーネルパラメータを適応的に調整して、効果的な弱学習器を生成すること。
• これらの適応的SVMを、Adaboostフレームワーク内の弱分類器として統合すること。
• 弱学習器を段階的に組み合わせて強分類器を構築するブースティングアルゴリズムの使用。
• 本手法のトレーニングおよび評価に、CMU+MIT顔データベースの使用。
• 困難な分類例に注目を向けるために、再重み付けされたサンプルを用いた標準的なAdaboostトレーニング手順の適用。
• 弱学習器生成の段階で反復的チューニングを通じて最適なカーネルパラメータの選定。

実験結果

リサーチクエスチョン

• RQ1 Adaboostフレームワーク内でのSVM弱学習器における適応的カーネルパラメータチューニングは、顔検出性能の向上に寄与するか？
• RQ2 決定木やニューラルネットワークを用いたAdaboostと比較して、本手法の分類精度はどの程度か？
• RQ3 不均衡な顔検出データセットにおいて、本手法はベースラインAdaboost手法よりも優れた汎化性能を示すか？
• RQ4 カーネルパラメータの適応的調整は、顔検出システムの収束性およびロバスト性にどのような影響を与えるか？
• RQ5 Adaboostと適応的SVMの組み合わせは、CMU+MIT顔データベースにおいて優れた性能を達成できるか？

主な発見

• 提案手法のAdaboost化SVMは、CMU+MIT顔データベースにおいて、決定木やニューラルネットワークを用いたAdaboostよりも高い分類精度を達成した。
• SVM弱学習器における適応的カーネルチューニングは、不均衡データにおける汎化性能の向上に顕著な効果を示した。
• ベンチマークデータセットにおけるさまざまな顔検出シナリオにおいて、本手法はロバストで安定した性能を示した。
• 結果から、ブースティングフレームワーク内での動的カーネル調整付きSVMベースの弱学習器は、固定パラメータSVMを上回ることが明らかになった。
• 本手法の全体的な性能は、精度および汎化能力の両面で優れていた。
• 本研究は、SVMにおけるカーネル適応化が、Adaboostアンサンブル内での弱学習器の有効性を高めることを確認した。