[論文レビュー] Towards Interpretable Face Recognition

Bangjie Yin, Luan Tran+3 more|arXiv (Cornell University)|May 2, 2018

Face recognition and analysis参考文献 52被引用数 7

ひとこと要約

本論文は、空間的および特徴活性化多様性損失を通じて、畳み込みフィルタが特定で一貫した顔の部位（例：目、鼻）にのみ反応するよう促す、解釈可能な顔認識のための新しい損失ベースの訓練手法を提案する。この手法は、性能を犠牲にすることなく、解釈可能でオクルージョンに強い表現を達成し、顔認識の最先端性能を実現する。

ABSTRACT

Deep CNNs have been pushing the frontier of visual recognition over past years. Besides recognition accuracy, strong demands in understanding deep CNNs in the research community motivate developments of tools to dissect pre-trained models to visualize how they make predictions. Recent works further push the interpretability in the network learning stage to learn more meaningful representations. In this work, focusing on a specific area of visual recognition, we report our efforts towards interpretable face recognition. We propose a spatial activation diversity loss to learn more structured face representations. By leveraging the structure, we further design a feature activation diversity loss to push the interpretable representations to be discriminative and robust to occlusions. We demonstrate on three face recognition benchmarks that our proposed method is able to improve face recognition accuracy with easily interpretable face representations.

研究の動機と目的

• 各フィルタ応答が一貫した顔の部位に対応する解釈可能な顔表現を学習する手法を開発すること。
• 従来の解釈可能な畳み込みニューラルネットワークにおける、解釈可能性と認識精度のトレードオフを是正すること。
• 構造的で部分ベースの表現を活用することで、オクルージョンに対する耐性を向上させること。
• アーキテクチャに依存しない損失ベースの制約を導入しつつ、エンドツーエンドの訓練を維持すること。

提案手法

• フィルタが局所的な顔の部位にのみ反応するよう促すために、空間的活性化多様性損失を導入する。これにより、広範囲にわたる非特異的活性化が低減される。
• 同じアイデンティティの異なる画像間でのフィルタ応答を一致させるために、特徴活性化多様性損失を設計する。これにより識別力が向上する。
• 標準的な顔認識アーキテクチャ（例：ResNet50、CASIA-Net）上でエンドツーエンドの訓練中に両損失を適用し、アーキテクチャの変更なしに実装する。
• フィルタ応答パターンを用いて部分特徴（例：「鼻フィルタ」）を定義し、部分顔検索などの下流タスクに活用する。
• フィルタ間のピーク活性化位置を活用して、意味的顔部位を特定・分離し、解釈可能性を向上させる。
• リtrievalおよび検証タスクの評価に、アイデンティティレベル特徴間のコサイン距離を用いる。

実験結果

リサーチクエスチョン

• RQ1 深層CNNを訓練して、各フィルタが一貫した顔の部位に反応する解釈可能な顔表現を学習させることは可能か？
• RQ2 損失関数による解釈可能性の導入は、標準的な訓練と比較して認識精度を低下させるか？
• RQ3 解釈可能な表現は、顔認識におけるオクルージョンに対して耐性を向上させることができるか？
• RQ4 学習されたフィルタ構造は、部分顔検索などの下流タスクにどの程度寄与できるか？
• RQ5 先行の解釈可能性手法と比較して、提案手法の損失は性能および解釈可能性の観点でどのように優れているか？

主な発見

• 提案手法は、IJB-Aベンチマークにおいて、FAR=0.01の条件下で98.2%の検証精度を達成し、ベースのResNet50や先行の最先端手法を上回った。
• IJB-Cデータセットでは、FAR=0.01の条件下で96.0%の検証精度を達成し、最先端モデルと同等またはそれを上回る性能を示した。
• CASIA-Netバックボーンを用いたモデルは、IJB-Aにおける1位ランクで87.9%（対照的にCASIA-Netは86.0%）の識別性能を向上させ、耐性の向上を示した。
• オクルージョン付き顔データセットでは、顕著な性能向上を示した。例えば、ARデータセットにおける眼鏡やスカーフ装着時では3.9%のEERを達成し、CASIA-Net（21.6% EER）を上回った。
• 部分ベースの特徴を用いた部分顔検索では、目で71%、口で58%、鼻で69%の1位ランク精度を達成し、解釈可能なフィルタの有効性を確認した。
• 解釈可能性を強化しながらも、精度を維持または向上させた。これにより、解釈可能性と性能の間の一般的なトレードオフを打ち破った。