[論文レビュー] Gender-From-Iris or Gender-From-Mascara?

Andrey Kuehlkamp, Benedict Becker+1 more|arXiv (Cornell University)|Feb 4, 2017

Face recognition and analysis参考文献 14被引用数 4

ひとこと要約

本稿は、マルチレイヤーパーセプトロン（MLP）および畳み込みニューラルネットワーク（CNN）を用いた虹彩画像からの性別分類を検討し、人物非重複の訓練/テスト設定および化粧有無の下で、データ駆動型特徴量と手作業特徴量を比較する。性別から虹彩を識別する精度は、以前に報告された値よりも顕著に低く、LBP特徴量を用いた場合約66％にとどまる。これは、化粧などの交絡要因や、人物非重複でない分割からのデータ漏洩れに起因する。

ABSTRACT

Predicting a person's gender based on the iris texture has been explored by several researchers. This paper considers several dimensions of experimental work on this problem, including person-disjoint train and test, and the effect of cosmetics on eyelash occlusion and imperfect segmentation. We also consider the use of multi-layer perceptron and convolutional neural networks as classifiers, comparing the use of data-driven and hand-crafted features. Our results suggest that the gender-from-iris problem is more difficult than has so far been appreciated. Estimating accuracy using a mean of N person-disjoint train and test partitions, and considering the effect of makeup - a combination of experimental conditions not present in any previous work - we find a much weaker ability to predict gender-from-iris texture than has been suggested in previous work.

研究の動機と目的

• 人物非重複の訓練/テストと化粧の変動を含む現実的な実験条件の下で、性別から虹彩を識別する精度を再評価すること。
• 虹彩のテクスチャが本当に性別を判別する情報を持っているのか、それとも化粧や画像の明るさなどの交絡要因によって性能が左右されているのかを評価すること。
• データ駆動型特徴量（MLPおよびCNNで学習されたもの）と手作業特徴量（LBP、ガボール、明るさ）の性別分類性能を比較すること。
• CNNがMLPや手作業特徴量よりも性別から虹彩を識別するタスクで性能向上をもたらすかどうかを調査すること。
• 閉塞マスクと画像明るさのしきい値が性別予測精度に与える影響を定量化すること。

提案手法

• 2500バッチ（各32枚）の虹彩画像を用い、人物非重複の80/20訓練/テスト分割を実施。各条件下で20回のランダム試行を実施し、ばらつきを低減した。
• ReLU活性化関数を用いたマルチレイヤーパーセプトロン（MLP）および畳み込みニューラルネットワーク（CNN）を用い、全眼画像およびセグメンテーション処理済み虹彩を3つの解像度で訓練した。
• MLPおよびCNNアーキテクチャにおけるエンド・ツー・エンド学習によりデータ駆動型特徴量を抽出し、明るさ、ガボールフィルタリング、および局所的バイナリーパターン（LBP）を用いて手作業特徴量を抽出した。
• 全眼画像およびセグメンテーション処理済み虹彩を対象に、閉塞マスクおよびしきい値処理済み明るさマップを含めた性能評価を実施した。
• 解像度（例：95×120から285×360）や眼の種別（左/右）を変更し、画像スケールおよびモodal への感受性を評価した。
• 10分割交差検証と試行平均精度を用い、妥当性を確保するとともに過学習バイアスを低減した。

実験結果

リサーチクエスチョン

• RQ1 人物非重複の訓練およびテストは、非人物非重複の分割と比較して、性別から虹彩を識別するシステムの推定精度にどのように影響するか？
• RQ2 アイメイクは、虹彩ベースのシステムにおける性別分類精度にどの程度影響を及えるか？
• RQ3 MLPおよびCNNからのデータ駆動型特徴量は、LBPやガボールフィルタリングなどの手作業特徴量を上回る性能を示すのか？
• RQ4 セグメンテーション処理済み虹彩や閉塞マスクは、実際の虹彩テクスチャとは独立して、性別予測に顕著な寄与を果たすのか？
• RQ5 画像明るさや化粧などの交絡要因を除いた状態で、虹彩テクスチャに限定した場合の真の性別分類精度は何か？

主な発見

• 人物非重複の訓練およびテストを適用した結果、MLPを用いた手作業LBP特徴量の平均性別分類精度は66% ± 2.7%にとどまり、以前に報告された値よりも顕著に低かった。
• MLPおよびCNNからのデータ駆動型特徴量は、約60%の精度にとどまり、学習された特徴量が単純な明るさやしきい値処理の方法を上回ることはなかった。
• 虹彩の平均明るさをしきい値処理することで約60%の性別分類精度が達成された。これは、低レベルの画像統計量がテクスチャの詳細よりも支配的であることを示唆している。
• 虹彩テクスチャを除いた閉塞マスクのみで約60%の精度が得られた。これは、性別予測がまぶたの形状やまつげのパターンといった非テクスチャ的特徴に強く依存していることを示している。
• CNNはMLPと比較して顕著な性能向上を示さず、あらゆる解像度および入力タイプで類似の精度を示した。これは、ネットワークが高レベルのテクスチャ特徴を抽出できていないことを示している。
• アイメイクの存在が推定精度を上昇させた。これは、化粧が非人物非重複評価において性能を誇張する交絡要因であることを示している。