[논문 리뷰] Face Detection Using Adaboosted SVM-Based Component Classifier

Seyyed Majid Valiollahzadeh, Abolghasem Sayadiyan외 1명|ArXiv.org|2008. 12. 13.

Face and Expression Recognition참고 문헌 14인용 수 10

한 줄 요약

이 논문은 불균형 데이터셋에서 성능을 향상시키기 위해 SVM 약자 학습기에서 적응형 커널 파라미터 조정을 통한 구성 요소 분류기 기반의 어댑티브 부스팅(Adaboosted) SVM 방법을 제안한다. 제안된 방법은 CMU+MIT 얼굴 데이터베이스에서 의사결정나무와 신경망을 사용한 전통적인 Adaboost 접근법보다 우수한 성능을 보이며, 일반화 능력과 분류 정확도가 뛰어나다.

ABSTRACT

Recently, Adaboost has been widely used to improve the accuracy of any given learning algorithm. In this paper we focus on designing an algorithm to employ combination of Adaboost with Support Vector Machine as weak component classifiers to be used in Face Detection Task. To obtain a set of effective SVM-weaklearner Classifier, this algorithm adaptively adjusts the kernel parameter in SVM instead of using a fixed one. Proposed combination outperforms in generalization in comparison with SVM on imbalanced classification problem. The proposed here method is compared, in terms of classification accuracy, to other commonly used Adaboost methods, such as Decision Trees and Neural Networks, on CMU+MIT face database. Results indicate that the performance of the proposed method is overall superior to previous Adaboost approaches.

연구 동기 및 목표

• Adaboost와 서포트 벡터 머신(SVM)을 결합하여 얼굴 검출 정확도를 향상시키기 위해.
• 불균형 데이터 문제를 적응형 SVM 커널 파라미터 조정을 통해 얼굴 검출에서 해결하기 위해.
• Adaboost 프레임워크 내에서 약자 학습기의 일반화 성능을 향상시키기 위해.
• 기존의 Adaboost 구성 요소인 의사결정나무와 신경망과의 성능을 비교하기 위해.
• 실세계 적용 가능성 검증을 위해 CMU+MIT 얼굴 데이터베이스를 기반으로 방법을 검증하기 위해.

제안 방법

• 고정 커널을 사용하는 대신, 효과적인 약자 학습기를 만들기 위해 SVM의 커널 파라미터를 적응적으로 조정하기 위해.
• 이러한 적응형 SVM을 Adaboost 프레임워크 내의 약자 분류기로 통합하기 위해.
• 얼굴 검출을 위한 강력한 분류기를 순차적으로 조합하기 위해 부스팅 알고리즘을 사용하기 위해.
• 제안된 방법의 훈련 및 평가를 위해 CMU+MIT 얼굴 데이터베이스를 활용하기 위해.
• 어려운 분류 예측을 중심으로 재가중된 샘플을 사용하여 표준 Adaboost 훈련 절차를 적용하기 위해.
• 약자 학습기 생성 과정 중 반복적 튜닝을 통해 최적의 커널 파라미터를 선별하기 위해.

실험 결과

연구 질문

• RQ1 Adaboost 프레임워크 내에서 SVM 약자 학습기의 적응형 커널 파라미터 튜닝이 얼굴 검출 성능 향상에 기여하는가?
• RQ2 의사결정나무와 신경망을 사용한 Adaboost와 비교할 때, 제안된 Adaboosted SVM 방법의 분류 정확도는 어떻게 되는가?
• RQ3 불균형 얼굴 검출 데이터셋에서 제안된 방법은 기존 Adaboost 방법보다 더 우수한 일반화 성능을 보이는가?
• RQ4 커널 파라미터 적응이 얼굴 검출 시스템의 수렴성과 내구성에 미치는 영향은 무엇인가?
• RQ5 Adaboost와 적응형 SVM의 조합이 CMU+MIT 얼굴 데이터베이스에서 뛰어난 성능을 달성할 수 있는가?

주요 결과

• 제안된 Adaboosted SVM 방법은 CMU+MIT 얼굴 데이터베이스에서 의사결정나무와 신경망을 사용한 Adaboost보다 높은 분류 정확도를 달성했다.
• SVM 약자 학습기에서의 적응형 커널 튜닝이 불균형 데이터에서의 일반화 성능을 크게 향상시켰다.
• 기준 데이터셋 내 다양한 얼굴 검출 시나리오에서 본 방법은 강인성과 안정성을 보였다.
• 결과적으로, 부스팅 프레임워크 내에서 동적 커널 조정을 수행하는 SVM 기반의 약자 학습기가 고정 파라미터 SVM보다 성능이 뛰어나다는 것이 확인되었다.
• 전반적인 성능 측면에서 제안된 방법은 정확도와 일반화 능력 모두에서 열등한 성능를 보였다.
• 연구 결과, SVM 내 커널 적응이 Adaboost 앙상블 내에서 약자 학습기의 효과를 향상시킨다는 것이 확인되었다.