[論文レビュー] Face Recognition: From Traditional to Deep Learning Methods

Daniel Sáez-Trigueros, Li Meng+1 more|arXiv (Cornell University)|Oct 31, 2018

Face recognition and analysis参考文献 101被引用数 104

ひとこと要約

本論文は、従来の幾何学、全体的（holistic）、特徴ベース、ハイブリッド手法から現代の深層学習アプローチまでの顔認識を概観し、構成要素、データセット、代表的手法と性能を詳述する。

ABSTRACT

Starting in the seventies, face recognition has become one of the most researched topics in computer vision and biometrics. Traditional methods based on hand-crafted features and traditional machine learning techniques have recently been superseded by deep neural networks trained with very large datasets. In this paper we provide a comprehensive and up-to-date literature review of popular face recognition methods including both traditional (geometry-based, holistic, feature-based and hybrid methods) and deep learning methods.

研究の動機と目的

• 幾何学ベースから深層学習へと進化の過程を調査する。
• 全体的、特徴ベース、およびハイブリッドアプローチを比較し、現実世界の変動への頑健性を評価する。
• 顔認識システムの共通のビルディングブロック（検出、アライメント、表現、照合）を説明する。
• CNNベースの性能向上を可能にする大規模データセットを強調する。
• 標準ベンチマークで報告された精度と代表的手法を要約する。

提案手法

• 方法を幾何学ベース、全体的、特徴ベース、ハイブリッド、深層学習のカテゴリに分類する。
• PCA/LDA、カーネル法、スパース表現、SVMを基盤技術として説明する。
• 顔検出、アライメント、表現、照合のビルディングブロックを説明する。
• 分類ベースの訓練、ボトルネック特徴、メトリック学習（例：Siamese、対比損失）を含むCNNベースの戦略を議論する。
• 重要なシステム（例：DeepFace、DeepID）とそのアーキテクチャの革新とアライメント戦略を引用する。
• LFW などのベンチマークでの性能と報告された精度を要約する。

実験結果

リサーチクエスチョン

• RQ1 顔認識手法の主な歴史的カテゴリーとそれぞれの長所・限界は何か？
• RQ2 深層学習アプローチは従来の手法と比べて顔認識をどのように改善したか？
• RQ3 効果的な顔認識システムに不可欠なビルディングブロックは何で、それらはどのように相互作用するか？
• RQ4 標準ベンチマーク（例：LFW）で性能向上を促したデータセットとアーキテクチャは何か？

主な発見

• PCA/LDAとスパース表現を用いた全体的手法はディープラーニング以前に顕著な精度を達成し、LFWでの報告精度は全体的アプローチで 92.4% などであった。
• CNNベースの顔認識は大規模な野外データセットで訓練された際に精度を劇的に向上させ、DeepFaceがLFWで97.35%を達成した例がある。
• GaussianFace アプローチは LFW で 98.52% を達成し、強いドメイン横断的識別能力を示している。
• 局所特徴（LBP、Gabor、SIFT）と部分空間学習を組み合わせたハイブリッド手法は、単一技術の手法を上回ることが多かった。
• 初期のCNNベース手法は、従来手法を上回るには大規模データセットと高容量ネットワークを必要とし、現在の最先端結果の道を開いた。