[논문 리뷰] Deep Convolutional Neural Network for Age Estimation based on VGG-Face Model

Zakariya Qawaqneh, Arafat Abu Mallouh외 1명|arXiv (Cornell University)|2017. 09. 05.

Face recognition and analysis인용 수 46

한 줄 요약

이 논문은 사전 훈련된 VGG-Face 모델을 사용한 전이 학습 접근법을 제안하며, Adience 데이터셋에서 얼굴 인식 컨볼루션 네트워크(CNN)를 미세 조정함으로써 연령 추정 정확도가 크게 향상됨을 보여준다. 주요 기여는 대규모 얼굴 인식 데이터에서 사전 훈련된 모델이 과적합을 완화하고 성능을 향상시킴을 증명한 것으로, 원래 작업과 다름에도 불구하고 성능 향상이 가능하다는 점이다.

ABSTRACT

Automatic age estimation from real-world and unconstrained face images is rapidly gaining importance. In our proposed work, a deep CNN model that was trained on a database for face recognition task is used to estimate the age information on the Adience database. This paper has three significant contributions in this field. (1) This work proves that a CNN model, which was trained for face recognition task, can be utilized for age estimation to improve performance; (2) Over fitting problem can be overcome by employing a pretrained CNN on a large database for face recognition task; (3) Not only the number of training images and the number subjects in a training database effect the performance of the age estimation model, but also the pre-training task of the employed CNN determines the performance of the model.

연구 동기 및 목표

• 딥 컨볼루션 네트워크(CNN)가 얼굴 인식을 위해 사전 훈련되었을 때 연령 추정에 효과적으로 미세 조정될 수 있는지 조사하기 위해.
• 사전 훈련이 연령 추정에서 모델의 일반화 능력과 성능에 미치는 영향을 평가하기 위해.
• 사전 훈련 작업의 선택이 연령 추정 정확도에 어떤 영향을 미치는지 분석하기 위해.
• 제한된 훈련 데이터로 인한 연령 추정에서 흔히 발생하는 과적합 문제를 해결하기 위해.
• 비구속적이고 실제 세계의 얼굴 이미지 환경에서 전이 학습의 효과성을 입증하기 위해.

제안 방법

• Adience 데이터셋에서 연령 추정을 위해 사전 훈련된 VGG-Face 모델을 미세 조정하기 위해.
• VGG-Face 네트워크의 마지막 완전히 연결된 레이어에서 특징을 추출하여 새로운 회귀 헤드의 입력으로 사용하기 위해.
• 대규모 얼굴 인식 데이터에서 학습된 특징을 활용하기 위해 전이 학습을 적용하기 위해.
• 고정된 특징 위에 회귀 헤드를 적용하여 얼굴 이미지에서 연령을 예측하기 위해.
• 초기 합성곱 레이어를 고정한 채로 최종 레이어를 동시에 훈련시켜 일반적인 특징를 유지하기 위해.
• 과적합을 줄이기 위해 데이터 증강 및 정규화 기법을 사용하기 위해.

실험 결과

연구 질문

• RQ1 얼굴 인식을 위해 사전 훈련된 CNN이 연령 추정에 효과적으로 적응될 수 있는가?
• RQ2 얼굴 인식에서의 전이 학습이 비구속적 데이터셋에서 연령 추정 성능을 향상시키는가?
• RQ3 사전 훈련 작업이 최종 연령 추정 정확도에 어떤 영향을 미치는가?
• RQ4 제한된 훈련 데이터로 연령 추정을 할 때 사전 훈련이 과적합을 어느 정도 줄이는가?
• RQ5 성능 향상 요인이 특징 전이 때문인지 아님아니면 아키텍처 용량 때문인가?

주요 결과

• 사전 훈련된 VGG-Face 모델은 무작위 초기화보다 훨씬 뛰어난 연령 추정 성능을 보였다.
• Adience 데이터셋에서 VGG-Face 모델을 미세 조정함으로써 과적합이 크게 감소했다.
• 사전 훈련 작업은 모델 성능에 명백한 영향을 미쳤으며, 얼굴 인식 사전 훈련이 랜덤 초기화보다 더 좋은 성능을 냈다.
• 전이 학습 덕분에 비구속적이고 실제 세계의 얼굴 이미지에서 모델의 일반화 능력이 향상되었다.
• 기준 모델보다 성능이 뛰어나 전이 학습이 연령 추정에서 효과적임을 확인했다.
• 결과는 사전 훈련의 품질이 연령 추정 성능에 결정적인 요소임을 시사한다.