[논문 리뷰] Sparsity and Robustness in Face Recognition

John Wright, Arvind Ganesh외 3명|arXiv (Cornell University)|2011. 11. 03.

Sparse and Compressive Sensing Techniques참고 문헌 13인용 수 23

한 줄 요약

이 논문은 희소 표현 기반 분류(SRC)를 사용한 강건한 얼굴 인식에 대한 튜토리얼을 제시하며, 체류 또는 조명 변화와 같은 심각한 오차를 동시에 복구하기 위해 ℓ¹-최소화를 강조한다. 저자는 낮은 차원의 선형 모델 하에서 SRC의 효과성을 검증하고, 과소결정 시스템에서 안정적인 해를 확보하기 위해 ℓ¹ 정규화가 필수적임을 보이며, ℓ² 최소화로도 충분하다는 주장에 대응한다.

ABSTRACT

This report concerns the use of techniques for sparse signal representation and sparse error correction for automatic face recognition. Much of the recent interest in these techniques comes from the paper "Robust Face Recognition via Sparse Representation" by Wright et al. (2009), which showed how, under certain technical conditions, one could cast the face recognition problem as one of seeking a sparse representation of a given input face image in terms of a "dictionary" of training images and images of individual pixels. In this report, we have attempted to clarify some frequently encountered questions about this work and particularly, on the validity of using sparse representation techniques for face recognition.

연구 동기 및 목표

• 희소 표현 기반 분류(SRC)의 이론적 및 경험적 기초를 명확히 하기 위해.
• Shi 등(2011)이 제기한 비판에 대응하기 위해, SRC에서 ℓ² 최소화가 ℓ¹보다 우월하다는 주장에 대비하기 위해.
• ℓ¹ 정규화가 강건한 인식에 필수적이고 효과적인 조건을 규명하기 위해.
• 실무자들이 얼굴 인식 문제에 대해 희소 모델링 도구를 올바르게 적용할 수 있도록 안내하기 위해.
• 신뢰할 수 있는 성능을 달성하기 위해 적절한 모델 가정과 정규화의 중요성을 부각하기 위해.

제안 방법

• 얼굴 인식 문제를 희소 코딩 문제로 재정의: Ax + e = y 를 만족시키며 ‖x‖₁ + ‖e‖₁ 를 최소화한다. 여기서 A는 학습 이미지의 사전이고, e 는 심각한 오차를 모델링한다.
• 최소 잔차 오차를 가진 주제를 희소 표현을 통해 식별한다: ŷ = argminᵢ ‖y − Aᵢxᵢ − e‖₂.
• 낮은 질서 근사 이전에 희소 오차(예: 그림자, 반사광)를 제거하기 위해 강건한 주성분 분석(RPCA)을 적용한다.
• 희소 표현의 저차원적 구조를 분석하기 위해 특이값 분해(SVD)를 활용한다.
• 시스템이 과소결정이고 오차가 희소할 경우 ℓ¹ 정규화가 필수적임을 입증한다.
• 오차의 공간 연속성을 활용할 경우, 무작위 투영이나 저차원 측정값을 사용해도 강건한 인식이 가능하다고 주장한다.

실험 결과

연구 질문

• RQ1 체류 오차가 있는 얼굴 인식에서 ℓ¹-최소화가 ℓ²-최소화를 능가하는 조건은 무엇인가?
• RQ2 희소 표현의 과소결정 시스템에서 안정적인 해를 확보하기 위해 왜 ℓ¹ 정규화가 필수적인가?
• RQ3 오차의 공간 연속성이 모델링될 경우, 저차원 측정값(예: 111 픽셀)으로도 높은 인식 정확도를 달성할 수 있는가?
• RQ4 실제 물리 현상인 체류 및 조명 변화가 선형 부분공간 모델을 어떻게 위반하며, 이를 어떻게 수정할 수 있는가?
• RQ5 희소 오차가 존재할 경우, ℓ¹-정규화된 희소 코딩을 ℓ² 기반 방법으로 대체하는 데서 발생하는 한계는 무엇인가?

주요 결과

• SRC에서 ℓ¹-최소화 접근법은 체류나 그림자와 같은 희소 오차를 다루는 데 이론적·경험적으로 타당하다.
• 특징 수가 낮을 경우(예: d=300), ℓ¹ 정규화가 필수적이다. 이와 반대로 ℓ² 기반 방법은 무한히 많은 해를 가지며 실패한다.
• 강건한 주성분 분석(RPCA)은 희소 오차를 제거함으로써 낮은 질서 근사의 정확도를 크게 향상시키며, 특이값의 빠른 감쇠를 이끈다.
• 매우 낮은 해상도(13×9 = 111 픽셀)에서도 오차의 공간 연속성을 모델링할 경우, 선글라스나 스카프가 있는 경우 약 90%의 인식률을 달성할 수 있다.
• 저차원 공간으로의 무작위 투영은 강건성을 향상시키지 못하며, 오차 보정에 대해 증명적으로 효과가 없다.
• 최적화 노름의 선택은 신호 및 오차의 구조 가정과 일치해야 하며, 희소성에는 ℓ¹, 가우시안 노이즈에는 ℓ²를 사용해야 하며, 이에 어긋나는 선택은 실패로 이어진다.