[論文レビュー] VIPLFaceNet: An Open Source Deep Face Recognition SDK

Xin Liu, Meina Kan+3 more|arXiv (Cornell University)|Sep 13, 2016

Face recognition and analysis参考文献 40被引用数 5

ひとこと要約

本論文では、7つの畳み込み層と3つの全結合層を備えた10層の畳み込みニューラルネットワークに基づく、オープンソースのディープフェイス認識SDKであるVIPLFaceNetを紹介する。ReLUに加えて高速正規化層（FNL）を統合することで、学習時間を80%短縮し、LFWベンチマークで平均98.60%の精度を達成。これは、エラー率の低減においてAlexNetを40%上回る。また、単一スレッドのi7 CPU上で1画像あたり約150msの低推論遅延を維持している。

ABSTRACT

Robust face representation is imperative to highly accurate face recognition. In this work, we propose an open source face recognition method with deep representation named as VIPLFaceNet, which is a 10-layer deep convolutional neural network with 7 convolutional layers and 3 fully-connected layers. Compared with the well-known AlexNet, our VIPLFaceNet takes only 20% training time and 60% testing time, but achieves 40\% drop in error rate on the real-world face recognition benchmark LFW. Our VIPLFaceNet achieves 98.60% mean accuracy on LFW using one single network. An open-source C++ SDK based on VIPLFaceNet is released under BSD license. The SDK takes about 150ms to process one face image in a single thread on an i7 desktop CPU. VIPLFaceNet provides a state-of-the-art start point for both academic and industrial face recognition applications.

研究の動機と目的

• 実世界への展開に適した、高精度かつ低計算量のフェイス認識システムの開発。
• 個人内変動や個人間類似性に対処できないハンドクラフト特徴量や浅いモデルの限界の解消。
• BSDライセンスの下で自由に利用可能なオープンソースSDKの提供により、研究および産業分野での採用を促進。
• 精度を損なわず、学習時間の短縮と収束の向上を実現するためのディープネットワークアーキテクチャの最適化。
• 純C++実装により、さまざまなソフトウェアおよびハードウェアプラットフォームへの効率的なデプロイを可能に。

提案手法

• 顔表現に最適化された、7つの畳み込み層と3つの全結合層を有する10層のディープ畳み込みニューラルネットワークの設計。
• 各ReLU活性化関数の直後に配置される高速正規化層（FNL）を導入し、学習の安定化と高速化を実現。
• 一般化性と耐障害性の向上を目的として、さまざまなクロップサイズ（180–256）を用いたランダムクロッピングによるデータ拡張を適用。
• 確率的勾配降下法を用い、CASIA-WebFaceデータセットで学習を実行し、基本学習率を0.04に設定。
• FNLを用いた15エポックの学習スケジュールを採用し、総学習時間を8時間（FNLなしでは40時間）に短縮。
• 純C++ SDKを介してトレーニング済みモデルをデプロイし、クロスプラットフォーム互換性とCPU上での低遅延推論を実現。

実験結果

リサーチクエスチョン

• RQ1 簡素化されたディープCNNアーキテクチャは、著しく短縮された学習時間で最先端のフェイス認識精度を達成できるか？
• RQ2 高速正規化層（FNL）の統合は、学習収束速度とモデル一般化性能にどのような影響を及ぼすか？
• RQ3 LFWベンチマークにおいて、精度と計算効率の観点から最適な入力顔サイズは何か？
• RQ4 軽量でオープンソースのC++ SDKは、FaceNet や VGGFace などの大規模で複雑なモデルと同等の性能を達成できるか？
• RQ5 VIPLFaceNetは、既存手法と比較してクローズドセットおよびオープンセットの顔認識プロトコルの両方でどのように性能を発揮するか？

主な発見

• 単一ネットワークを用いて、検証プロトコル下でLFWベンチマークで98.60%の平均精度を達成。
• 学習時間を80%短縮（8時間）し、テスト時間もAlexNetと比較して60%短縮。エラー率は40%低減。
• 最大精度を達成する最適なクロップサイズは227×227であり、98.60%の精度を示す。これより小さいか大きなサイズでは性能が低下する。
• 高速正規化層（FNL）の追加により、収束速度と一般化性能が向上し、高い学習率でも15エポックで収束するようになる。
• クローズドセット識別プロトコルにおいて、VIPLFaceNetは92.79%のRank-1精度とFAR = 1%における68.13%のDIRを達成。DeepFace や AlexNet+FNL よりも優れた性能を示した。
• C++ SDKは、単一スレッドのi7 CPU上で1枚の顔画像を約150msで処理でき、実世界のアプリケーションへの効率的なデプロイを可能にしている。