[논문 리뷰] A Coupled Evolutionary Network for Age Estimation

Peipei Li, Yibo Hu외 2명|arXiv (Cornell University)|2018. 09. 20.

Face recognition and analysis참고 문헌 23인용 수 6

한 줄 요약

이 논문은 복잡한 개인별 연령 분포를 모델링하고 연령의 연속적이고 순서 있는 성질을 활용하기 위해 진화적 레이블 분포 학습과 진화적 스레드 회귀를 공동으로 최적화하는 결합 진화 네트워크(CEN)를 제안한다. 이 방법은 Morph, ChaLearn15, 그리고 MegaAge-Asian에서 최신 기준 성능을 달성하며, ResNet18를 사용할 경우 MegaAge-Asian에서 1.905의 MAE를 기록한다.

ABSTRACT

Age estimation of unknown persons is a challenging pattern analysis task due to the lacking of training data and various aging mechanisms for different people. Label distribution learning-based methods usually make distribution assumptions to simplify age estimation. However, age label distributions are often complex and difficult to be modeled in a parameter way. Inspired by the biological evolutionary mechanism, we propose a Coupled Evolutionary Network (CEN) with two concurrent evolutionary processes: evolutionary label distribution learning and evolutionary slack regression. Evolutionary network learns and refines age label distributions in an iteratively learning way. Evolutionary label distribution learning adaptively learns and constantly refines the age label distributions without making strong assumptions on the distribution patterns. To further utilize the ordered and continuous information of age labels, we accordingly propose an evolutionary slack regression to convert the discrete age label regression into the continuous age interval regression. Experimental results on Morph, ChaLearn15 and MegaAge-Asian datasets show the superiority of our method.

연구 동기 및 목표

• 복잡하고 비정규 분포인 연령 레이블 분포를 강력한 파rametric 가정 없이 모델링하는 데 도전하는 것.
• 레이블 분포 학습에 연령의 순서적이고 연속적인 성질을 통합하기 위해 회귀를 진화적 개선과 융합하는 것.
• 결합된 진화적 메커니즘을 통해 레이블 분포 학습과 회귀를 동시에 훈련시켜 성능을 향상시키는 것.
• 개별 노화 변동성을 잘 반영하지 못하는 고정된 분포 가정(예: 정규분포)에 대한 의존도를 줄이는 것.
• 레이블 분포와 회귀 타겟을 반복적으로 개선함으로써 초우수한 연령 추정 정확도를 달성하는 것.

제안 방법

• CEN는 두 가지 동시적인 진화 과정을 사용한다: 진화적 레이블 분포 학습과 진화적 스레드 회귀.
• 진화적 레이블 분포 학습은 특정한 파라메트릭 형태를 가정하지 않고 신경망을 통해 적응적으로 연령 분포를 추정하고 개선한다.
• 분포 추정을 안정화하기 위해 온도 조절 소프트플러스 함수를 사용하고, 조상 지식 기반으로 Kullback-Leibler 발산 손실을 통해 분포를 개선한다.
• 진화적 스레드 회귀는 이산 연령 회귀를 연속적 간격 회귀로 변환하기 위해 스레드 항목을 도입하여 연령의 순서와 연속성을 유지한다.
• 모델는 하이퍼파ram터 α와 λ를 통해 가중 조합된 교차 엔트로피, KL 발산, 그리고 회귀 손실을 종합적으로 끝에서 끝까지 훈련한다.
• 여러 진화 반복(1에서 4까지)을 거치며 성능이 향상되며, 최적의 결과는 t=3 또는 t=4에서 도출되어 수렴함을 시사한다.

실험 결과

연구 질문

• RQ1 신경망 기반의 진화 메커니즘이 강력한 분포 가정 없이 복잡하고 개인별로 특화된 연령 레이블 분포를 효과적으로 학습할 수 있는가?
• RQ2 레이블 분포 학습과 연속적 회귀를 융합함으로써 연령 추정 정확도는 어떻게 향상되는가?
• RQ3 반복적 진화가 연령 분포 및 회귀 예측을 개선하는 데 어떤 영향을 미치는가?
• RQ4 하이퍼파ram터 τ, α, 및 λ는 결합 진화 프레임워크의 성능에 어떤 영향을 미치는가?
• RQ5 제안된 CEN는 표준 연령 추정 벤치마크에서 기존 최신 기준 방법들을 능가하는가?

주요 결과

• MegaAge-Asian 데이터셋에서 ResNet18를 사용한 CEN는 평균 절대 오차(MAE) 1.905를 기록하여 최신 기준 성능을 달성했다.
• 세 번의 진화 반복 후 CEN는 MegaAge-Asian에서 CA(7)를 90.52%에서 92.28%로 향상시켜 일관된 성능 향상을 입증했다.
• 제거 분석 결과 τ=2, α=0.5, λ=4 조합에서 최고의 성능을 기록했으며, Morph에서 MAE는 1.905였다.
• 진화적 개선은 성능 향상에 크게 기여했다: ResNet18를 사용한 CEN는 네 번의 반복 동안 Morph에서 MAE를 2.220에서 1.905로 감소시켰다.
• 고정된 분포 가정(예: 정규분포)보다도 더 민첩하고 데이터 기반의 레이블 분포를 학습함으로써 개인별로 다름을 반영하는 유연한 분포를 도출했다.
• 시각화 결과 학습된 분포가 비정규분포이며 개인 간에 다양함을 확인하여, 고정된 가정 대신 적응형 학습이 필요함을 검증했다.