[論文レビュー] Reduction of Feature Vectors Using Rough Set Theory for Human Face Recognition

Debotosh Bhattacharjee, Dipak Kumar Basu+2 more|arXiv (Cornell University)|May 21, 2010

Image Retrieval and Classification Techniques参考文献 25被引用数 3

ひとこと要約

本稿では、認識精度を向上させつつ次元を最小限に抑えるために、粗い集合理論を用いた二段階の特徴量低減手法を提案する。まず主成分分析（PCA）を用いて次元削減を行い、次に粗い集合に基づく特徴選択（具体的には再現集合とコア特徴）を実行して冗長な属性を除去することで、特徴ベクトルを削減しても高い認識率を達成する。

ABSTRACT

In this paper we describe a procedure to reduce the size of the input feature vector. A complex pattern recognition problem like face recognition involves huge dimension of input feature vector. To reduce that dimension here we have used eigenspace projection (also called as Principal Component Analysis), which is basically transformation of space. To reduce further we have applied feature selection method to select indispensable features, which will remain in the final feature vectors. Features those are not selected are removed from the final feature vector considering them as redundant or superfluous. For selection of features we have used the concept of reduct and core from rough set theory. This method has shown very good performance. It is worth to mention that in some cases the recognition rate increases with the decrease in the feature vector dimension.

研究の動機と目的

• 顔認識システムで一般的に見られる高次元の特徴量ベクトルに対処すること。
• 冗長な特徴を最小限に抑えることで計算複雑性を低減し、認識効率を向上させること。
• 粗い集合理論を用いた知的な特徴選択により認識精度を向上させること。
• 分類性能を維持するための不可欠な特徴（コアおよび再現集合）を特定すること。
• 特徴量の縮小されたセットが、全次元のベクトルを上回る認識タスク性能を示すことを実証すること。

提案手法

• 入力された顔画像を低次元の固有空間に射影するために主成分分析（PCA）を適用し、初期の次元を低減する。
• 低減された特徴空間を粗い集合理論を用いて分析し、分類能力を保持する最小の特徴集合（再現集合）を特定する。
• すべての再現集合の共通部分としてコアを計算し、認識に不可欠な特徴を表す。
• 最終的な特徴ベクトルの構築に、コアおよび再現集合に含まれる特徴のみを選択し、冗長なものを除外する。
• 削ぎ落とされた特徴ベクトルを用いて顔認識システムを学習・評価し、性能を検証する。
• 粗い集合理論における識別行列と属性低減アルゴリズムを用いて、最小特徴集合を体系的に同定する。

実験結果

リサーチクエスチョン

• RQ1 低次元化されたにもかかわらず、粗い集合理論による特徴量低減が顔認識の正確性を向上させられるか？
• RQ2 顔認識における分類性能を維持するために不可欠な特徴は何か？
• RQ3 PCAと粗い集合に基づく特徴選択の組み合わせが、従来の手法を上回る性能を示せるか？
• RQ4 粗い集合理論から得られるコアおよび再現集合が、最小かつ十分な特徴集合を効果的に特定できるか？
• RQ5 特徴量ベクトルのサイズと認識率の間にはトレードオフがあるか、最適化可能か？

主な発見

• 提案手法は、特定の状況下で全次元特徴量ベクトルを上回る高い認識率を達成した。
• 粗い集合理論による特徴量低減は、認識精度を損なわせることなく冗長な特徴を効果的に削除した。
• 粗い集合分析により同定されたコアおよび再現集合は、分類に適した最小限の効果的特徴集合を提供した。
• 特徴ベクトルの次元が顕著に低減されても、認識性能は向上または安定したままであった。
• PCAと粗い集合に基づく選択の統合により、システムの効率性と正確性が向上する相乗効果が得られた。
• 本手法はさまざまな顔認識シナリオにおいても頑健であったことから、実世界の応用において有効性が検証された。