[論文レビュー] Personalized Age Progression with Aging Dictionary

Xiangbo Shu, Jinhui Tang+3 more|arXiv (Cornell University)|Oct 22, 2015

Face recognition and analysis参考文献 33被引用数 19

ひとこと要約

本稿では、年齢群別辞書を用いた個人に合わせた年齢進行手法を提案する。この手法は、一般的な老化層（例：しわ）と個人に特有の層（例：そばかす）に顔の老化を分離し、隣接する年齢群からの短期間の顔ペアを用いて学習する。本手法は、個人に合わせた老化合成において優れた性能を発揮し、等価誤差率（EER）を最大8.53%まで低減することで、クロスエイジ顔認識の性能を向上させる。

ABSTRACT

In this paper, we aim to automatically render aging faces in a personalized way. Basically, a set of age-group specific dictionaries are learned, where the dictionary bases corresponding to the same index yet from different dictionaries form a particular aging process pattern cross different age groups, and a linear combination of these patterns expresses a particular personalized aging process. Moreover, two factors are taken into consideration in the dictionary learning process. First, beyond the aging dictionaries, each subject may have extra personalized facial characteristics, e.g. mole, which are invariant in the aging process. Second, it is challenging or even impossible to collect faces of all age groups for a particular subject, yet much easier and more practical to get face pairs from neighboring age groups. Thus a personality-aware coupled reconstruction loss is utilized to learn the dictionaries based on face pairs from neighboring age groups. Extensive experiments well demonstrate the advantages of our proposed solution over other state-of-the-arts in term of personalized aging progression, as well as the performance gain for cross-age face verification by synthesizing aging faces.

研究の動機と目的

• 既存の手法がしばしば維持できない、個人に特徴的な顔の特徴（例：そばかす）を年齢進行中に保持する課題に対処すること。
• 長期的な老化シーケンスを必要とせず、隣接する年齢群からの短期間の顔ペア（例：11–15歳から16–20歳）を用いて老化パターンを学習する手法を開発すること。
• 入力された顔から将来の年齢群への正確で段階的な年齢進行を可能にし、個人のアイデンティティを保持すること。
• 提案手法を用いてリアルな老化顔を合成することで、クロスエイジ顔認識の性能を向上させること。

提案手法

• 各顔を老化層（動的で年齢に依存する変化、例：しわ）と個人に特有の層（静的で変化しない特徴、例：そばかす）に分解する。
• 同じインデックスを持つ年齢群間の辞書ベースが、1つの老化プロセスパターンを形成する年齢群別辞書を学習する。
• 隣接する年齢群からの顔ペアのみを用いて、すべての老化辞書を同時に学習するためのパーソナリティに配慮したカップルド再構成損失を用いる。
• スparserコーディングを用いて、老化層を老化パターンの線形結合として表現し、ぼやけや冗長性を最小限に抑える。
• 学習されたパターンからの再構成老化層と不変の個人に特有の層を組み合わせることで、将来の年齢の顔を合成する。
• 合成された老化顔の現実性と有用性を評価するために、深層畳み込みニューラルネットワーク（DeepID2ベース）を用いた顔認識を採用する。

実験結果

リサーチクエスチョン

• RQ1 個人に合わせた年齢進行手法は、そばかすや発疹といった特徴的な顔の特徴を年齢遷移中に保持できるか？
• RQ2 長期的なシーケンスではなく、隣接する年齢群からの短期間の顔ペアのみを用いて、老化パターンを効果的にモデル化できるか？
• RQ3 提案手法は、最先端の手法と比較して、どの程度クロスエイジ顔認識の性能を向上させるか？
• RQ4 複数の老化辞書の学習を、年齢群全体にわたる共有スパース表現を用いてカップルリング可能であり、個人のアイデンティティを保持できるか？
• RQ5 訓練時に真のラベルの代わりに推定された年齢ラベルを使用することで、実世界の応用においてより現実的な老化合成が得られるか？

主な発見

• 推定された年齢ラベルを用いた場合、提案手法は等価誤差率（EER）を8.53%まで低減し、ベースラインのOriginal Pairs（14.89%）およびIAAP手法（10.91%）を上回る性能を示した。
• 推定された年齢ラベルを用いた場合、IAAP手法よりもEERで1.63%の改善を達成し、より優れた現実性と一般化性能を示した。
• 提案手法を用いて合成された老化顔は、IAAP手法のものよりも真の値に近く、顔認識タスクにおける低いEERにより検証された。
• パーソナリティに配慮したカップルド再構成損失により、長期的なシーケンスを必要とせず、短期間の顔ペアのみを用いて老化辞書の効果的な共同学習が可能になった。
• 可視化と定量的評価結果から、本手法は年齢進行中にそばかすなどの個人に特有の顔の特徴を効果的に保持していることが示された。
• 顔的特徴認識システムから推定された性別と年齢を使用することで、実際のラベルを使用した場合よりも性能が向上した。これは、実世界の入力のばらつきに対して高い耐性を示している。