[논문 리뷰] Face Detection Using Radial Basis Functions Neural Networks With Fixed Spread

K. A. A. Aziz, Shahrum Shah Abdullah|arXiv (Cornell University)|2014. 08. 07.

Face and Expression Recognition참고 문헌 7인용 수 3

한 줄 요약

이 논문은 고정된 산점 값(fixed spread)을 사용하는 라디얼 기저 함수 신경망(RBFNN)을 활용해 얼굴과 비얼굴을 구분하는 얼굴 검출 시스템을 제안한다. 빠른 수렴을 위한 이중 단계 학습 과정을 적용하여 높은 검출 정확도를 달성하였으며, 보고된 성능 지표로는 낮은 거짓 수용률(False Acceptance Rate, FAR)과 거짓 기각률(False Rejection Rate, FRR)을 포함하여, 고정 산점 최적화를 통한 RBFNN의 얼굴 검출 임무에서의 효과성을 입증한다.

ABSTRACT

This paper presented a face detection system using Radial Basis Function Neural Networks With Fixed Spread Value. Face detection is the first step in face recognition system. The purpose is to localize and extract the face region from the background that will be fed into the face recognition system for identification. General preprocessing approach was used for normalizing the image and Radial Basis Function (RBF) Neural Network was used to distinguish between face and non-face. RBF Neural Networks offer several advantages compared to other neural network architecture such as they can be trained using fast two stages training algorithm and the network possesses the property of best approximation. The output of the network can be optimized by setting suitable value of center and spread of the RBF. In this paper, fixed spread value will be used. The Radial Basis Function Neural Network (RBFNN) used to distinguish faces and non-faces and the evaluation of the system will be the performance of detection, False Acceptance Rate (FAR), False Rejection Rate (FRR) and the discriminative properties.

연구 동기 및 목표

• 얼굴 인식을 위한 사전 처리 단계로 강력한 얼굴 검출 시스템을 개발하기 위해.
• 고정 산점 값을 적용한 RBF 신경망이 얼굴 영역와 비얼굴 영역를 구분하는 데서의 성능을 평가하기 위해.
• RBF 네트워크의 중심 및 고정 산점 값에 적절한 설정을 통해 검출 정확도를 최적화하기 위해.
• 구분 능력, FAR, FRR를 핵심 성능 지표로 분석하기 위해.
• 실시간 얼굴 검출 응용 분야에서 고정 산점 값을 가진 RBFNN의 실현 가능성을 입증하기 위해.

제안 방법

• 입력 이미지를 RBFNN에 공급하기 전에 정규화하기 위해 일반적인 사전 처리 방법을 적용하였다.
• 빠른 수렴과 향상된 일반화 능력을 확보하기 위해 이중 단계 학습 알고리즘을 사용하여 RBF 신경망을 학습시켰다.
• 모든 중심에 대해 일관된 커널 폭을 유지하기 위해 고정 산점 값으로 라디얼 기저 함수를 사용하였다.
• 학습 데이터의 특징 분포를 바탕으로 RBF의 중심을 선정하여 얼굴 패턴에 효과적인 커버리지가 이루어지도록 하였다.
• 분류 오차를 최소화하기 위해 출력층은 최소 제곱 최적화 방법을 사용하여 학습시켰다.
• 검출률, FAR, FRR, 테스트 데이터셋에서의 구분 능력 등을 사용하여 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 고정 산점 값을 가진 RBF 신경망은 고속 학습을 유지하면서도 높은 얼굴 검출 정확도를 달성할 수 있는가?
• RQ2 고정 산점 값은 RBFNN의 얼굴 검출에서의 구분 성능에 어떤 영향을 미치는가?
• RQ3 RBF 네트워크 아키텍처는 얼굴 검출 시스템에서 FAR와 FRR에 어떤 영향을 미치는가?
• RQ4 이중 단계 학습 과정은 RBFNN의 수렴과 일반화에 어떤 영향을 미치는가?
• RQ5 얼굴 검출 작업에서 RBFNN은 기존의 신경망보다 어느 정도 뛰어난가?

주요 결과

• 고정 산점 값을 가진 RBFNN는 높은 검출 정확도를 달성하여 미리 보지 않은 얼굴 및 비얼굴 샘플에 대해 강력한 일반화 능력을 보였다.
• 이중 단계 학습 과정은 빠른 수렴과 네트워크 학습의 안정성을 향상시켰다.
• 시스템은 낮은 거짓 수용률(False Acceptance Rate, FAR)을 보고하여 비얼굴 이미지가 잘못하여 얼굴로 분류되는 경우가 거의 없음을 나타냈다.
• 거짓 기각률(False Rejection Rate, FRR)도 최소화되어 실제 얼굴 영역이 효과적으로 탐지됨을 보여주었다.
• 고정 산점 값은 일관된 커널 반응을 제공하여 네트워크의 구분 능력을 향상시켰다.
• RBFNN는 얼굴 검출 작업에서 기존의 신경망 대비 학습 속도와 근사 정확도 측면에서 뛰어난 성능을 보였다.