[論文レビュー] Face Recognition via Globality-Locality Preserving Projections

Sheng Huang, Dan Yang+4 more|arXiv (Cornell University)|Nov 6, 2013

Face and Expression Recognition参考文献 41被引用数 3

ひとこと要約

本稿では、クラス内における局所的多様体構造とクラス間のグローバルで人物に依存しない特徴を同時に保つために、クラス幾何構造制約を導入した、拡張された局所保存投影（LPP）手法であるグローバリティ・ローカリティ保存投影（GLPP）を提案する。GLPPは、ORL、Yale、FERET、LFW-A顔認識データベースにおいて最先端の性能を達成し、制御されていない環境下ではLPPに比べ最大6.3%の向上を示し、$β > 1000$の条件下でも頑健性を示す。

ABSTRACT

We present an improved Locality Preserving Projections (LPP) method, named Gloablity-Locality Preserving Projections (GLPP), to preserve both the global and local geometric structures of data. In our approach, an additional constraint of the geometry of classes is imposed to the objective function of conventional LPP for respecting some more global manifold structures. Moreover, we formulate a two-dimensional extension of GLPP (2D-GLPP) as an example to show how to extend GLPP with some other statistical techniques. We apply our works to face recognition on four popular face databases, namely ORL, Yale, FERET and LFW-A databases, and extensive experimental results demonstrate that the considered global manifold information can significantly improve the performance of LPP and the proposed face recognition methods outperform the state-of-the-arts.

研究の動機と目的

• 顔認識において従来のLPPがクラス間のグローバルな幾何的構造を無視するという限界を解決すること。
• LPPフレームワークに人物に依存しない（クラス間の）特徴を統合することで分類性能を向上させること。
• 局所的なクラス内構造とグローバルなクラス間構造を同時に保存する統一された手法を開発すること。
• GLPPの有効性を制御されたおよび制御されていない顔認識環境の両方で示すこと。
• 他の統計的手法との互換性を示し、2D顔データ上で性能を向上させるために、2次元形式の拡張（2D-GLPP）を提示すること。

提案手法

• 局所的多様体構造の保存とクラス間のグローバルな多様体構造の保存を両立させるために、LPPの目的関数にクラス幾何構造制約を追加する。
• 局所的多様体保存とクラス構造保存の間のトレードオフを制御するためのバランスパラメータ $\beta$ を導入する。
• 局所的近傍関係に基づいて隣接重み行列を構築し、局所的な幾何的構造を符号化する。
• 最適な射影ベクトルを計算するために、GLPPの最適化問題を一般化固有値問題として定式化する。
• 2次元顔画像行列をベクトル化せずにGLPPを直接適用することで、空間的構造を保持する2D-GLPPの変種を提案する。
• パラメータチューニングにより最適な $\beta$ を特定し、実験により $\beta > 1000$ の条件下で安定した性能を示す。

実験結果

リサーチクエスチョン

• RQ1 LPPにクラス間のグローバルな幾何的構造を組み込むことで、顔認識性能が向上するか？
• RQ2 局所的構造とグローバル構造の保存のバランスが、さまざまなデータセットにおける認識精度に与える影響は何か？
• RQ3 GLPPは制御環境および非制御環境の両方で、LDA、PCA、DLPPなどの他の最先端の線形手法を上回るか？
• RQ4 GLPPを2次元形式（2D-GLPP）に効果的に拡張でき、2D顔データ上で性能を維持または向上させられるか？
• RQ5 頑健で高い認識精度を達成するためのバランスパラメータ $\beta$ の最適値は何か？

主な発見

• ORLデータベースにおいて、2分割交差検証の下でGLPPはLPPに比べ5.25%の向上を示し、異なる交差検証スキームでも1.5%〜2%の向上を達成した。
• FERETデータベースでは、複数の交差検証プロトコルを通じて、GLPPはLPPに比べ1.6%〜1.8%の認識精度の向上を示した。
• 非制御環境下では、LFW-Aデータベースの第1および第2サブセットにおいて、GLPPはそれぞれ5.6%および6.3%の性能向上をLPPに見せた。
• GLPPの認識性能は $\beta > 1000$ の条件下で $\beta$ にほとんど依存しないため、安定した性能を得るために $\beta$ を高い値に固定できることが示唆された。
• 2D-GLPPは、2D-PCA、2D-LDA、2D-LPPといった古典的手法を上回り、2D拡張の有効性を確認した。
• GLPPは、局所的なクラス内構造とグローバルなクラス間構造の両方を保存することで、人物に依存しない特徴を形式的に組み込む最初のLPPベースの手法である。