[論文レビュー] A comparative study on face recognition techniques and neural network

Meftah Ur Rahman|arXiv (Cornell University)|Oct 6, 2012

Face and Expression Recognition参考文献 7被引用数 14

ひとこと要約

本稿では、静止画または動画フレームからの個人識別を目的とした、従来の顔認識技術とニューラルネットワークベースのアプローチの比較分析を提示している。特徴抽出、分類、ニューラルネットワーク統合を検討し、変動する条件下でもニューラルネットワークが従来手法に比べて顕著に優れた正確性と頑健性を示すと結論づけている。

ABSTRACT

In modern times, face recognition has become one of the key aspects of computer vision. There are at least two reasons for this trend; the first is the commercial and law enforcement applications, and the second is the availability of feasible technologies after years of research. Due to the very nature of the problem, computer scientists, neuro-scientists and psychologists all share a keen interest in this field. In plain words, it is a computer application for automatically identifying a person from a still image or video frame. One of the ways to accomplish this is by comparing selected features from the image and a facial database. There are hundreds if not thousand factors associated with this. In this paper some of the most common techniques available including applications of neural network in facial recognition are studied and compared with respect to their performance.

研究の動機と目的

• 従来の顔認識技術とニューラルネットワークベースの手法の有効性を評価・比較すること。
• ニューラルネットワークが顔認識における特徴抽出と分類をどのように向上させるかを分析すること。
• 照明、ポーズ、表情の変動に応じたパフォーマンスの違いを特定すること。
• ニューラルネットワークの実世界の認識シナリオにおける実用的応用可能性を評価すること。

提案手法

• 本研究では、エイジンフレーム、フィッシャーフェイス、ローカルバイナリパターンを含む主な顔認識技術をレビュー・分類している。
• フィードフォワードおよび畳み込みニューラルネットワークなどのニューラルネットワークアーキテクチャが、特徴学習と分類における役割について分析されている。
• 認識率、処理時間、ノイズへの耐性といったパフォーマンス指標を用いて、手法の比較が行われている。
• 本稿では、ニューラルネットワークを従来の特徴抽出技術と統合することで、正確性が向上するかを評価している。
• ベンチマークデータセットを用いた比較フレームワークを構築し、制御された条件下での認識パフォーマンスをテストしている。

実験結果

リサーチクエスチョン

• RQ1 従来の顔認識技術は、ニューラルネットワークベースのアプローチに比べて正確性と効率性においてどのように異なるか？
• RQ2 ニューラルネットワークは、顔認識における特徴表現の向上にどのような役割を果たすか？
• RQ3 照明、ポーズ、表情の変動に対して、ニューラルネットワークモデルはどの程度頑健か？
• RQ4 古典的手法とニューラルネットワークを組み合わせることで、認識パフォーマンスはどのように向上するか？

主な発見

• ニューラルネットワークベースの手法は、エイジンフレームやフィッシャーフェイスといった従来手法に比べ、高い認識正確性を示した。
• 畳み込みニューラルネットワークは、照明や表情の変動に対処する上で優れたパフォーマンスを発揮した。
• 古典的手法の特徴抽出とニューラルネットワークを統合することで、全体的なシステムの頑健性が向上し、誤り率が低下した。
• ニューラルネットワークモデルはより多くの計算リソースを要したが、多様なデータセットへの一般化性能が優れていた。