[논문 리뷰] Complex Matrix Factorization for Face Recognition

Viet-Hang Duong, Yuan-Shan Lee외 4명|arXiv (Cornell University)|2016. 12. 08.

Face and Expression Recognition참고 문헌 23인용 수 4

한 줄 요약

이 논문은 실수 값의 얼굴 이미지를 복소수 행렬으로 변환하여 더 효과적인 특징 추출과 재구성 가능성을 높이기 위해 복소수 행렬 분해(CMF) 및 그의 희소(SpaCMF) 및 그래프 정규화(GraCMF) 변종을 제안한다. 이 방법은 복소수 영역에서 비제약 최적화 문제를 설정함으로써 복소수 벡터 공간의 표현 능력을 향상시켜 더 높은 정확도의 인식 성능을 달성한다.

ABSTRACT

This work developed novel complex matrix factorization methods for face recognition; the methods were complex matrix factorization (CMF), sparse complex matrix factorization (SpaCMF), and graph complex matrix factorization (GraCMF). After real-valued data are transformed into a complex field, the complex-valued matrix will be decomposed into two matrices of bases and coefficients, which are derived from solutions to an optimization problem in a complex domain. The generated objective function is the real-valued function of the reconstruction error, which produces a parametric description. Factorizing the matrix of complex entries directly transformed the constrained optimization problem into an unconstrained optimization problem. Additionally, a complex vector space with N dimensions can be regarded as a 2N-dimensional real vector space. Accordingly, all real analytic properties can be exploited in the complex field. The ability to exploit these important characteristics motivated the development herein of a simpler framework that can provide better recognition results. The effectiveness of this framework will be clearly elucidated in later sections in this paper.

연구 동기 및 목표

• 기존 실수 값 행렬 분해 기법의 한계를 극복하기 위해 복소수 표현을 활용함으로써 얼굴 인식 성능을 향상시키는 것.
• 실수 값 얼굴 데이터를 복소수 행렬로 변환하여 복소수 영역의 더 풍부한 분석적 성질을 활용할 수 있는 프레임워크를 개발하는 것.
• 더 나은 특징 학습과 재구성을 위해 복소수 영역에서 비제약 최적화 문제를 설정하는 것.
• 희소성 및 그래프 정규화 제약 조건을 복소수 행렬 분해 프레임워크에 통합하여 인식 성능을 향상시키는 것.

제안 방법

• 실수 값 얼굴 이미지 행렬을 복소수 값 행렬로 변환하여 복소수 영역 분석을 가능하게 하는 것.
• 비제약 최적화 문제를 통해 복소수 행렬을 기저 행렬과 계수 행렬로 분해하는 복소수 행렬 분해(CMF) 방법을 설정하는 것.
• 계수 행렬의 희소성을 유도하기 위해 L1-노름 정규화 항을 추가하여 희소 복소수 행렬 분해(SpaCMF)를 제안하는 것.
• 지역 다양체 구조를 유지하기 위해 복소수 분해에 그래프 정규화를 통합하여 복소수 공간에서의 얼굴 데이터의 국소 다양체 구조를 보존하는 것.
• 재구성 오차 기반의 실수 값 목적 함수를 정의하여 복소수 영역 내에서 효율적인 최적화를 가능하게 하는 것.
• 복소수 N차원 공간이 실수 2N차원 공간과 동일시될 수 있음을 활용하여 실수 해석적 성질을 극대화하는 것.

실험 결과

연구 질문

• RQ1 전통적인 실수 값 방법과 비교해 복소수 행렬 분해가 얼굴 인식 성능을 향상시킬 수 있는가?
• RQ2 계수 행렬에 희소성 조건을 통합할 경우 복소수 영역 내에서 정확도에 어떤 영향을 미치는가?
• RQ3 복소수 영역에서 그래프 정규화가 국소 데이터 구조를 얼마나 잘 보존하고 성능 향상에 기여하는가?
• RQ4 실수 얼굴 데이터를 복소수 행렬로 변환하는 것이 인식 작업에 더 효과적이고 안정적인 표현을 제공하는가?
• RQ5 복소수 영역에서의 비제약 최적화가 제약 조건이 있는 실수 영역 설정보다 성능이 뛰어나게 되는가?

주요 결과

• 제안된 복소수 행렬 분해 방법은 복소수 벡터 공간의 표현 능력을 향상시켜 더 높은 얼굴 인식 정확도를 달성한다.
• SpaCMF는 복소수 영역 내에서 L1 정규화를 통해 계수 행렬의 희소성을 유도함으로써 더 우수한 특징 희소성과 인식 성능을 보여준다.
• GraCMF는 얼굴 데이터의 국소 다양체 구조를 효과적으로 보존하여 다양한 조건에서도 더 견고한 인식 성능을 제공한다.
• 실수 데이터를 복소수 행렬로 변환함으로써 비제약 최적화를 적용할 수 있게 되어 제약 조건이 있는 실수 영역 방법에 비해 해법 과정이 단순화된다.
• 최적화된 기저 행렬과 계수 행렬을 통해 얼굴 데이터의 매개변수 기반 기술을 제공함으로써 재구성 정밀도와 인식의 강인성을 향상시킨다.