[論文レビュー] Scalable Angular Discriminative Deep Metric Learning for Face Recognition

Bowen Wu, Wu, Huaming+1 more|arXiv (Cornell University)|Apr 29, 2018

Face recognition and analysis参考文献 18被引用数 3

ひとこと要約

本稿では、トレーニング中にクラス内コサイン類似度がマージンを上回ることを強制することで、トレーニングをテストと整合させるスケーラブルなアングル特徴的深層メトリック学習手法を提案する。自己適応的マージン学習、特徴正規化、およびクラス内・クラス間の変動を両方考慮するプログレッシブ損失を導入し、LFW、YTF、IJB-Aデータセットで最先端の性能を達成し、最大1.5%の精度向上を実現した。

ABSTRACT

With the development of deep learning, Deep Metric Learning (DML) has achieved great improvements in face recognition. Specifically, the widely used softmax loss in the training process often bring large intra-class variations, and feature normalization is only exploited in the testing process to compute the pair similarities. To bridge the gap, we impose the intra-class cosine similarity between the features and weight vectors in softmax loss larger than a margin in the training step, and extend it from four aspects. First, we explore the effect of a hard sample mining strategy. To alleviate the human labor of adjusting the margin hyper-parameter, a self-adaptive margin updating strategy is proposed. Then, a normalized version is given to take full advantage of the cosine similarity constraint. Furthermore, we enhance the former constraint to force the intra-class cosine similarity larger than the mean inter-class cosine similarity with a margin in the exponential feature projection space. Extensive experiments on Labeled Face in the Wild (LFW), Youtube Faces (YTF) and IARPA Janus Benchmark A (IJB-A) datasets demonstrate that the proposed methods outperform the mainstream DML methods and approach the state-of-the-art performance.

研究の動機と目的

• 顔認識のための深層メトリック学習において、標準的なソフトマックス損失によって学習される特徴の大きなクラス内変動を解消すること。
• 一般的にペアワイズ類似度計算にコサイン類似度が使用されるテストプロトコルとトレーニングプロセスを整合させること。
• 自己適応的マージン戦略を導入することで、手動によるハイパーパramータチューニングへの依存を低減すること。
• 正規化された特徴空間において、クラス内compactnessとクラス間separabilityを同時にモデル化することで、特徴の判別能を向上させること。
• トレーニングと推論の間に一貫性を保ちつつ、非制約的データセットにおける一般化性能を向上させるスケーラブルで微分可能な損失関数を開発すること。

提案手法

• トレーニング中にクラス内コサイン類似度が固定マージンを超えるように制約する新しい損失関数を提案し、コサインベースのテストと整合性を高めた。
• 誤分類されたサンプルに注目するハードサンプルマイニング戦略を導入し、困難なアイデンティティにおけるマージン学習の効果を向上させた。
• 局所的特徴分布に基づいてマージンを動的に更新する自己適応的マージン更新メカニズムを提案し、手動チューニングを削減した。
• ミニバッチごとに特徴および重みベクトルを正規化することで、特徴ノルムの爆発を防ぎ、トレーニングの安定性を向上させた。
• 指数的特徴射影空間において、クラス内コサイン類似度が近隣のクラス間類似度の平均を超えるように制約するより高度な損失（DLMC）を提案した。
• 数値的安定性を維持したまま判別力を向上させるために、正規化された指数的特徴射影空間を用いた。

実験結果

リサーチクエスチョン

• RQ1 トレーニング中に最小クラス内コサイン類似度マージンを強制することで、顔認識性能が向上するか？
• RQ2 ハードサンプルマイニングは、深層メトリック学習における提案されたアングルマージン損失の有効性を向上させるか？
• RQ3 自己適応的マージン戦略は、人為的介入を低減しつつ、性能を維持または向上させられるか？
• RQ4 クラス内compactnessとクラス間separabilityを同時にモデル化することで、非制約的顔認識における特徴の判別能にどのような影響を与えるか？
• RQ5 提案された損失関数は、ポーズ、照明、表情の変動レベルが異なる多様なデータセットに一般化できるか？

主な発見

• 提案手法は、標準的なソフトマックス損失と比較して、LFWデータセットで0.6%〜0.8%の精度向上を達成した。
• YTFデータセットでは、ベースライン手法と比較して1%〜1.5%の性能向上を達成した。
• DLMC手法は、IJB-Aデータセットでランク1識別率97.34%を達成し、NormFace や L-Softmax などの最先端手法を上回った。
• IJB-AにおけるFAR=0.01でのAUCはDLMC手法で86.02%に達し、優れた検証性能を示した。
• 自己適応的マージン戦略は、マージンチューニングにかかる人的作業を顕著に削減したが、精度を維持または向上させた。
• 正規化損失（NLMC）およびDLMC+MALMCの組み合わせバージョンは、すべての3つのベンチマークデータセットで堅牢で一貫した向上を示した。