[論文レビュー] Large-scale Supervised Hierarchical Feature Learning for Face Recognition

Jianguo Li, Yurong Chen|arXiv (Cornell University)|Jul 6, 2014

Face and Expression Recognition参考文献 27被引用数 3

ひとこと要約

本論文は、3段階のプロセスである、ガウス受容 field を用いたチャネルレベルの選択、過完備プールからのピクセル領域レベルの選択、ピクセル領域記述子の判別的部分空間への投影を経て、顔認識に適した大規模な教師あり階層的特徴学習フレームワークを提案する。この手法は、FRGC および LFW ベンチマークで最先端の性能を達成しており、メモリと計算コストが低いため、組み込みシステムへのデプロイが可能である。

ABSTRACT

This paper proposes a novel face recognition algorithm based on large-scale supervised hierarchical feature learning. The approach consists of two parts: hierarchical feature learning and large-scale model learning. The hierarchical feature learning searches feature in three levels of granularity in a supervised way. First, face images are modeled by receptive field theory, and the representation is an image with many channels of Gaussian receptive maps. We activate a few most distinguish channels by supervised learning. Second, the face image is further represented by patches of picked channels, and we search from the over-complete patch pool to activate only those most discriminant patches. Third, the feature descriptor of each patch is further projected to lower dimension subspace with discriminant subspace analysis. Learned feature of activated patches are concatenated to get a full face representation.A linear classifier is learned to separate face pairs from same subjects and different subjects. As the number of face pairs are extremely large, we introduce ADMM (alternative direction method of multipliers) to train the linear classifier on a computing cluster. Experiments show that more training samples will bring notable accuracy improvement. We conduct experiments on FRGC and LFW. Results show that the proposed approach outperforms existing algorithms under the same protocol notably. Besides, the proposed approach is small in memory footprint, and low in computing cost, which makes it suitable for embedded applications.

研究の動機と目的

• リソース制限のあるモバイルおよび組み込みデバイス向けに、軽量で頑健な顔認識アルゴリズムを開発する課題に取り組む。
• 教師なしまたは手作業による特徴学習の限界を克服し、完全に教師ありの階層的特徴学習パイプラインを導入する。
• 大規模な教師あり学習が、ベンチマークデータセットにおける認識精度を顕著に向上させることを実証する。
• 実世界でのデプロイに適した、低計算およびメモリオーバーヘッドを維持しながら高い性能を達成する。

提案手法

• 受容 field 理論を用いて顔画像をモデル化し、多チャンネルのガウス受容マップとして表現する。その後、教師あり学習により最も判別能の高いチャンネルのみを選択する。
• 選択されたチャンネルからピクセル領域を抽出し、過完備ピクセル領域プールの探索を通じて、教師あり基準に基づき最も判別能の高いピクセル領域を同定する。
• 各選択されたピクセル領域の記述子を、判別的部分空間分析（LDA）を用いて低次元部分空間に投影することで、判別能を向上させる。
• すべての選択されたピクセル領域から学習された特徴を連結し、完全な顔の表現を構築する。
• ADMM（交互方向乗数法）を用いて大規模な顔ペアデータ上で線形分類器を学習し、コンピューティングクラスタにわたる学習をスケーリングする。
• FRGC および LFW ベンチマークにおいて、厳密なプロトコルに従い、交差検証および大規模データを用いて、妥当性を保証する。

実験結果

リサーチクエスチョン

• RQ1 完全に教師ありの階層的特徴学習フレームワークは、既存の手作業による特徴学習や教師なし特徴学習手法を上回ることができるか？
• RQ2 分散クラスタ上で大規模に学習させることで、標準ベンチマークにおける認識精度が顕著に向上するか？
• RQ3 提案手法は、組み込みデバイスへのデプロイに適した低メモリフットプリントと低計算コストを維持しながら、高い認識精度を達成できるか？
• RQ4 チャネル、ピクセル領域、記述子の各レベルをカバーする階層的特徴学習パイプラインは、判別能にどのように寄与するか？

主な発見

• FRGC-204 ベンチマークにおいて、本手法は 0.1% の偽陽性率で 92.6% の真陽性率を達成し、表 2 に掲載されたすべての先行手法を上回った。
• 画像制限付き、外部データなしのラベルフリーなプロトコル下での LFW ベンチマークにおいて、本手法は 91.54% の正確性（標準誤差 ±0.49%）を達成し、既存の最先端手法を上回った。
• Gaborベースの手法と比較して、特徴抽出が1桁以上高速であるため、リアルタイムアプリケーションにとって重要である。
• 本システムは小さなメモリフットプリントと低計算コストを維持しており、組み込みおよびモバイルデバイスへのデプロイに適している。
• 実験により、学習サンプル数の増加が顕著な正確性の向上をもたらすことが確認され、大規模な教師あり学習の利点が裏付けられた。
• チャネル選択、ピクセル領域選択、LDA投影からなる階層的設計は、複数のスケールで判別能の高い特徴を効果的に捉えることができた。