[논문 리뷰] Collaborative representation-based robust face recognition by discriminative low-rank representation

Wen Yi Zhao, Xiao‐Jun Wu외 2명|arXiv (Cornell University)|2019. 12. 17.

Face and Expression Recognition참고 문헌 25인용 수 3

한 줄 요약

이 논문은 훈련 및 테스트 이미지에서 가림, 오염 등으로 인한 영향에 강건성을 향상시키기 위해 공동 표현 기반 얼굴 인식(DLRR-CR)을 위한 분류적 저질서 표현 방법을 제안한다. 클래스 하위 사전 간의 구조적 비일관성을 강제하고 저질서 투영 행렬을 학습함으로써, 스파arsity 기반 방법보다 낮은 계산 비용으로 뛰어난 인식 정확도를 달성한다.

ABSTRACT

We consider the problem of robust face recognition in which both the training and test samples might be corrupted because of disguise and occlusion. Performance of conventional subspace learning methods and recently proposed sparse representation based classification (SRC) might be degraded when corrupted training samples are provided. In addition, sparsity based approaches are time-consuming due to the sparsity constraint. To alleviate the aforementioned problems to some extent, in this paper, we propose a discriminative low-rank representation method for collaborative representation-based (DLRR-CR) robust face recognition. DLRR-CR not only obtains a clean dictionary, it further forces the sub-dictionaries for distinct classes to be as independent as possible by introducing a structural incoherence regularization term. Simultaneously, a low-rank projection matrix can be learned to remove the possible corruptions in the testing samples. Collaborative representation based classification (CRC) method is exploited in our proposed method which has closed-form solution. Experimental results obtained on public face databases verify the effectiveness and robustness of our method.

연구 동기 및 목표

• 훈련 및 테스트 이미지가 가림, 변장 또는 노이즈로 손상된 상황에서도 강건한 얼굴 인식 문제를 해결한다.
• ℓ₁-최소화로 인해 계산 비용이 높은 스파arsity 표현 기반 분류(SRC)의 한계를 극복한다.
• 손상된 상황에서도 분류 능력과 강건성을 향상시키기 위해 기존의 공통 표현(CRC)을 개선한다.
• 테스트 샘플의 손상 요소를 처리하기 위해 청소된 저질서 사전과 저질서 투영 행렬을 동시에 학습하는 방법을 개발한다.
• ℓ₁-정규화를 ℓ₂-기반 공동 표현으로 대체함으로써 계산 복잡도를 감소시키면서도 높은 인식 정확도를 달성한다.

제안 방법

• 다른 클래스의 하위 사전 간의 구조적 비일관성을 강제하면서 훈련 데이터의 저질서 표현을 학습하는 분류적 저질서 표현(DLRR) 프레임워크를 제안한다.
• 클래스별 하위 사전 간의 독립성을 극대화하기 위해 구조적 비일관성 정규화 항을 도입하여 분류 능력을 향상시킨다.
• 훈련 과정에서 저질서 투영 행렬을 학습하여 테스트 샘플을 손상이 제거된 저차원 공간으로 투영한다.
• 빠른 폐쇄형 해를 얻고 계산 비용을 낮추기 위해 ℓ₂-정규화를 적용한 공동 표현 기반 분류(CRC)를 사용한다.
• 저질서 및 비일관성 항을 동시에 최적화하기 위해 분할 수식 기반 다중 승수법(ADMM)을 활용하여 목적 함수를 최적화한다.
• 학습된 투영 행렬을 테스트 샘플에 적용하여 분류 이전에 노이즈 및 가림을 억제한다.

실험 결과

연구 질문

• RQ1 기존의 스파arsity 또는 공동 표현 기반 방법과 비교해 복잡한 저질서 표현 프레임워크가 훈련 및 테스트 얼굴 이미지의 손상에 대해 강건성을 향상시킬 수 있는가?
• RQ2 다른 클래스의 하위 사전 간의 구조적 비일관성을 강제하면 손상된 조건에서도 얼굴 인식의 분류 능력이 향상되는가?
• RQ3 명시적인 가림 모델링 없이도 학습된 저질서 투영 행렬이 테스트 샘플의 손상을 효과적으로 제거할 수 있는가?
• RQ4 인위적 가림 수준이 다양할 경우, 제안된 DLRR-CR 방법이 SRC, CRC 및 LRR 기반 방법과 비교해 정확도와 효율성 면에서 어떻게 성능을 내는가?
• RQ5 ℓ₁-스파arsity가 없더라도 저질서 및 비일관성 제약 조건과 함께 ℓ₂-기반 공동 표현이 충분히 강건한 인식을 가능하게 하는가?

주요 결과

• 10% 픽셀 손상이 발생한 Extended Yale B 데이터베이스에서, 100차원 고유얼굴 특징을 사용했을 때 DLRR-CR은 98.28%의 인식 정확도를 기록했으며, SRC(94.99%) 및 CRC(97.02%)를 모두 초월했다.
• 20% 픽셀 손상 조건에서도 DLRR-CR은 100D에서 96.99%의 정확도를 유지했으며, SRC(90.93%) 및 CRC(95.27%)보다 뚜렷하게 높았다.
• 블록 가림 조건에서는 10% 손상에서 DLRR-CR이 100D에서 97.74%의 정확도를 기록했고, DLRR-SRC(96.33%) 및 LRR-CRC(92.85%)를 모두 뛰어넘었다.
• 300D 특징을 사용했을 때, DLRR-CR은 10% 픽셀 손상 조건에서 99.08%의 정확도를 기록했으며, 10% 블록 가림 조건에서는 98.78%의 정확도를 달성해 강력한 강건성을 입증했다.
• 모든 테스트 벤치마크에서 최고 성능을 기록했으며, CRC의 폐쇄형 해로 인해 계산 비용도 낮게 유지했다.
• 제거 실험 결과, 특히 고수준의 손상 조건에서 구조적 비일관성 항과 저질서 투영 행렬이 성능 향상에 필수적임을 확인했다.