[論文レビュー] Multi-Expert Gender Classification on Age Group by Integrating Deep Neural Networks

Jun Beom Kho|arXiv (Cornell University)|Sep 6, 2018

Face recognition and analysis参考文献 33被引用数 4

ひとこと要約

本稿では、年齢層分類が専門化を促進する、畳み込み的外見ネットワーク（CAN）による顔貌特徴と、深層幾何ネットワーク（DGN）による顔の形状特徴を統合するエンドツーエンドのマルチタスク学習フレームワーク、Multi-Expert Gender Classification on Age Group（MGA）を提案する。MGAは、MORPH-2で99.11%、Adienceで93.80%の最先端の男女分類精度を達成し、パラメータ数がわずか200万で、従来手法に比べて計算コストを最大69倍まで低減している。

ABSTRACT

Generally, facial age variations affect gender classification accuracy significantly, because facial shape and skin texture change as they grow old. This requires re-examination on the gender classification system to consider facial age information. In this paper, we propose Multi-expert Gender Classification on Age Group (MGA), an end-to-end multi-task learning schemes of age estimation and gender classification. First, two types of deep neural networks are utilized; Convolutional Appearance Network (CAN) for facial appearance feature and Deep Geometry Network (DGN) for facial geometric feature. Then, CAN and DGN are integrated by the proposed model integration strategy and fine-tuned in order to improve age and gender classification accuracy. The facial images are categorized into one of three age groups (young, adult and elder group) based on their estimated age, and the system makes a gender prediction according to average fusion strategy of three gender classification experts, which are trained to fit gender characteristics of each age group. Rigorous experimental results conducted on the challenging databases suggest that the proposed MGA outperforms several state-of-art researches with smaller computational cost.

研究の動機と目的

• 非制約的環境における顔貌の加齢が男女分類精度に与える悪影響を是正すること。
• 年齢層に特化した熟練度と顔の幾何的特徴を活用して、男女分類の性能を向上させること。
• 年齢推定と男女分類を同時に実行する、軽量で効率的なディープラーニングモデルを開発すること。
• モデルサイズを増加させずに、新しいモデル統合戦略を通じて外見的特徴と幾何的特徴を統合すること。
• 従来の最先端手法と比較して、最小限の計算コストでベンチマークデータセットで優れた性能を示すことを実証すること。

提案手法

• 肌の質感や色といった外見的特徴を抽出するために、軽量なCNNに基づく畳み込み的外見ネットワーク（CAN）を活用する。
• 半面入力を用いて顔の形状特徴を強固に抽出する、深層幾何ネットワーク（DGN）を提案する。特にアングルの変化に対して有効である。
• CANとDGNを共同で微調整することで、特徴の統合と全体的な性能を向上させるモデル統合戦略を実装する。
• 年齢推定を用いて入力画像を3つの年齢層（若年層、成人、高齢層）に分類し、年齢層別に最適化された男女分類エキスパートを適用する。
• 3つの年齢層別に最適化された男女分類エキスパートの平均融合戦略を適用して、最終的な男女分類予測を生成する。
• エンドツーエンドで、年齢推定と男女分類の両方を同時に学習するマルチタスク学習を用いて、MGA全体を訓練する。

実験結果

リサーチクエスチョン

• RQ1 年齢層に配慮した男女分類エキスパートの専門化は、加齢に起因する顔貌データに対する性能向上に寄与するか？
• RQ2 DGNによる深層顔貌幾何特徴とCANによる外見特徴の統合は、男女分類に対してどの程度効果的か？
• RQ3 提案されたモデル統合戦略は、モデルサイズを増加させずに性能を向上させるか？
• RQ4 MGAは、既存の手法と比較して顕著に少ないパラメータ数で最先端の精度を達成できるか？
• RQ5 実世界の条件下で、Adience や MORPH-2 といった多様なデータセットにおいて、MGAの性能はどのように変動するか？

主な発見

• MGAは、MORPH-2で99.11%の男女分類精度を達成し、200万パラメータで、[28] や [32] などの手法よりも69倍も小さい。
• Adienceデータセットでは、MGAは93.80%の男女分類精度と79.55%の正確な年齢推定精度を達成し、モデルサイズが小さいにもかかわらず、最先端の手法を上回っている。
• DGNとCANの統合により性能が向上し、特に加齢の影響を受ける状況下でも、幾何的特徴が男女分類に寄与することが示された。
• ResNet-50と組み合わせたMGA（ResNet-50）は、MORPH-2で99.11%の男女分類精度と2.95のMAE（平均絶対誤差）を達成し、より深いアーキテクチャとも互換性があり、スケーラブルであることが示された。
• 年齢層別エキスパートの平均融合により、若年層および高齢層における性能の低下が抑制され、年齢に配慮した専門化の有効性が確認された。
• 提案されたモデル統合戦略により、モデルサイズを増加させずに外見的特徴と幾何的特徴を効果的に統合でき、計算効率が維持された。