[論文レビュー] Feature Selection via Sparse Approximation for Face Recognition

Yixiong Liang, Lei Wang+2 more|arXiv (Cornell University)|Feb 14, 2011

Face and Expression Recognition参考文献 42被引用数 4

ひとこと要約

本稿では、スパース近似に基づく特徴選択手法を提案し、Gabor特徴を用いた顔認識に応用する。正則化された最小二乗誤差（MSE）基準にスパarsity制約を組み合わせ、Ho-Kashyap手順にスパarsityを統合することで、特徴選択とマージン学習を同時に最適化する。CAS-PEAL-R1およびLFWデータベースにおいて、131,072個の特徴から僅か500個の選択特徴を用いて70.32%の精度を達成し、最先端の性能を実現した。

ABSTRACT

Inspired by biological vision systems, the over-complete local features with huge cardinality are increasingly used for face recognition during the last decades. Accordingly, feature selection has become more and more important and plays a critical role for face data description and recognition. In this paper, we propose a trainable feature selection algorithm based on the regularized frame for face recognition. By enforcing a sparsity penalty term on the minimum squared error (MSE) criterion, we cast the feature selection problem into a combinatorial sparse approximation problem, which can be solved by greedy methods or convex relaxation methods. Moreover, based on the same frame, we propose a sparse Ho-Kashyap (HK) procedure to obtain simultaneously the optimal sparse solution and the corresponding margin vector of the MSE criterion. The proposed methods are used for selecting the most informative Gabor features of face images for recognition and the experimental results on benchmark face databases demonstrate the effectiveness of the proposed methods.

研究の動機と目的

• 顔認識において、過剰なGabor特徴辞書から判別性の高い局所的特徴を抽出する課題に対処すること。
• スパarsity制約を用いて次元削減を実現するとともに、判別的情報を保持することで認識性能を向上させること。
• 特徴選択とマージン学習を統合的に最適化するフレームワークを構築し、一般化性能を向上させること。
• 計算コストが高く、特徴相関を無視するAdaboostなどの従来手法の限界を克服すること。
• 現実の変動を伴うベンチマーク顔認識データベース上で、提案手法の有効性を検証すること。

提案手法

• 最小二乗誤差（MSE）基準にスパarsityペナルティを追加することで、特徴選択を組み合わせ的スパース近似問題として定式化する。
• スパース近似問題を、逐次的アルゴリズム（例：OMP）や凸緩和技術を用いて解く。
• 反復的にスパース解とマージンベクトルを最適化するスパースHo-Kashyap（SHK）手順を導入する。
• 131,072成分からなる大規模な辞書から、最も情報量の多いGabor特徴を選択するために、提案フレームワークを適用する。
• 二段階評価プロトコルを採用：LFWデータセットのView 1でモデル開発を行い、View 2で性能を報告する。
• 選択された特徴をSVMおよびFisher判別分類器と組み合わせ、分類性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 スパarsity制約付き特徴選択は、次元削減を伴いながらも顔認識の精度を向上させることができるか？
• RQ2 スパース学習プロセスにマージン最適化を組み込むことで、標準的なMSEベース手法よりも一般化性能が向上するか？
• RQ3 提案されたスパースHo-Kashyap手順は、従来のスパースMSEおよびFisherベース手法と比較して、特徴選択および分類性能に優れているか？
• RQ4 フルGabor特徴セットを用いる場合と比較して、顕著に少ない特徴数で競争力のある性能を達成できるか？
• RQ5 学習プロセスにバイアスと適応的マージンを組み込むことで、過学習を防ぎ、困難なデータセットでのロバストネスが向上するか？

主な発見

• 提案されたG SHK+SVM手法は、LFWデータセットで70.32%の認識精度を達成し、フル特徴のFCベースライン（67.10%）および他の変種を上回った。
• G SFisher+SVM手法は69.18%の精度を達成し、500個の特徴を用いたスパースFisher分類が、フル特徴のFCと同等の性能を発揮することを示した。
• G SHK手法単体でも68.27%の精度を達成し、分類器を別途用意しなくても、スパースHo-Kashyap手順が有効であることを示した。
• SHKおよびSFisher手法は、両データベースにおいてSSMESを常に上回り、マージンとバイアスの考慮が一般化性能を向上させることを示した。
• 図3のROC曲線は、SHKおよびSFisher手法がSSMESよりも真陽性率と偽陽性率のバランスに優れていることを確認した。
• CAS-PEAL-R1およびLFWデータベースにおける結果から、表情、照度、遮蔽の変動が生じる実世界の顔認識において、提案フレームワークが有効であることが確認された。