[논문 리뷰] Collaborative Representation based Classification for Face Recognition

Lei Zhang, Meng Yang외 3명|arXiv (Cornell University)|2012. 04. 11.

Face and Expression Recognition참고 문헌 64인용 수 206

한 줄 요약

이 논문은 얼굴 인식을 위한 협업 표현 기반 분류(CRC)를 제안하며, 희소 표현 기반 분류(SRC)에서 l1-노름 희소성 제약보다 협업 표현 기반 메커니즘이 성능에 더 중요한 역할을 한다고 입증한다. 저자들은 다양한 노름을 사용한 코드 잔차와 계수에서 CRC가 더 높은 얼굴 인식 정확도와 강건성을 보이며, 특히 노이즈가 있거나 손상된 조건에서도 뛰어난 성능을 보임을 보여준다.

ABSTRACT

By coding a query sample as a sparse linear combination of all training samples and then classifying it by evaluating which class leads to the minimal coding residual, sparse representation based classification (SRC) leads to interesting results for robust face recognition. It is widely believed that the l1- norm sparsity constraint on coding coefficients plays a key role in the success of SRC, while its use of all training samples to collaboratively represent the query sample is rather ignored. In this paper we discuss how SRC works, and show that the collaborative representation mechanism used in SRC is much more crucial to its success of face classification. The SRC is a special case of collaborative representation based classification (CRC), which has various instantiations by applying different norms to the coding residual and coding coefficient. More specifically, the l1 or l2 norm characterization of coding residual is related to the robustness of CRC to outlier facial pixels, while the l1 or l2 norm characterization of coding coefficient is related to the degree of discrimination of facial features. Extensive experiments were conducted to verify the face recognition accuracy and efficiency of CRC with different instantiations.

연구 동기 및 목표

• SRC에서 얼굴 인식 성공에 있어 협업 표현 기반 메커니즘이나 l1-노름 희소성 제약 중 어느 것이 더 핵심적인지 조사한다.
• 다양한 표현 기반 분류의 구현 방식을 통합하는 일반화된 프레임워크인 협업 표현 기반 분류(CRC)를 개발한다.
• 코드 잔차와 계수에 대한 다양한 노름(l1, l2)이 얼굴 인식의 강건성과 분류 능력 향상에 미치는 영향을 평가한다.
• 노이즈 및 손상된 데이터를 포함한 다양한 얼굴 인식 시나리오에서 CRC의 정확도와 효율성에 대한 경험적 검증을 제공한다.

제안 방법

• 질의 이미지를 모든 학습 이미지의 선형 조합으로 표현하는 협업 표현 문제로 얼굴 인식을 공식화한다.
• 대부분의 표현 계수와 잔차에 대해 다른 노름을 적용함으로써 CRC 최적화 문제를 정의한다.
• 코드 계수에 l1 또는 l2 노름과 코드 잔차에 l1 또는 l2 노름을 조합하여 CRC의 여러 구현 형태를 탐색한다.
• 클래스별 코드 잔차를 사용하여 테스트 샘플을 분류하며, 가장 작은 잔차를 가진 클래스를 선택한다.
• 해결의 안정성과 일반화 능력을 향상시키기 위해 티코노프 정규화를 적용한다.
• 부식, 가림, 노이즈 등 다양한 조건에서 표준 얼굴 데이터베이스를 사용해 분류 성능을 평가한다.

실험 결과

연구 질문

• RQ1 SRC에서 얼굴 인식 성공에 있어 l1-노름 희소성 제약이냐 협업 표현 기반 메커니즘이냐 중 어느 것이 더 중요한가?
• RQ2 코드 계수와 잔차에 대한 다양한 노름 조합이 얼굴 인식의 강건성과 분류 능력에 어떤 영향을 미치는가?
• RQ3 일반화된 CRC 프레임워크는 전통적인 SRC보다 정확도와 계산 효율성 측면에서 뛰어나게 성능을 발휘할 수 있는가?
• RQ4 CRC는 이미지 손상, 가림, 조명 변화와 같은 도전적인 조건에서 어떻게 성능을 발휘하는가?
• RQ5 강건한 얼굴 인식을 달성하는 데 있어 협업 표현과 희소성 중 어느 요소가 더 중요한 기여를 하는가?

주요 결과

• 희소성 제약보다 협업 표현 기반 메커니즘이 얼굴 인식 성능에 더 핵심적인 역할을 하며, 이는 희소성이 핵심 요소라는 널리 퍼진 믿음을 도전한다.
• 코드 계수에 l2-노름, 잔차에 l2-노름을 적용한 CRC가 확장된 YUV 및 AR 얼굴 데이터베이스에서 가장 높은 인식 정확도를 기록한다.
• 잔차에 l1-노름을 적용한 CRC는 l2-노름 버전에 비해 외곽선 픽셀 및 이미지 손상에 대해 더 뛰어난 강건성을 보인다.
• 반복적인 희소 코드화가 필요로 하지 않기 때문에 계산상 더 효율적인 점을 감안할 때, 제안된 CRC 프레임워크는 SRC와 경쟁력 있거나 더 뛰어난 성능을 발휘한다.
• 실험 결과, 랜덤 픽셀 손상이나 가림과 같은 심각한 이미지 열화 조건에서도 CRC는 높은 정확도를 유지함을 확인하였다.
• 연구는 코드 계수에 대한 노름 선택이 특징의 분류 능력에 영향을 주며, 잔차에 대한 노름 선택이 노이즈 및 이방성에 대한 저항력에 영향을 준다는 것을 확인하였다.