[論文レビュー] A Coupled Evolutionary Network for Age Estimation

Peipei Li, Yibo Hu+2 more|arXiv (Cornell University)|Sep 20, 2018

Face recognition and analysis参考文献 23被引用数 6

ひとこと要約

本稿では、年齢推定のための結合的進化ネットワーク（CEN）を提案する。CENは、複雑で個別に特化した年齢分布をモデル化し、年齢の連続的かつ順序的な性質を活用するために、進化的ラベル分布学習と進化的スラック回帰を併用して最適化する。この手法は、Morph、ChaLearn15、MegaAge-Asianで最先端の性能を達成しており、ResNet18を用いたMegaAge-Asianでは平均絶対誤差（MAE）が1.905である。

ABSTRACT

Age estimation of unknown persons is a challenging pattern analysis task due to the lacking of training data and various aging mechanisms for different people. Label distribution learning-based methods usually make distribution assumptions to simplify age estimation. However, age label distributions are often complex and difficult to be modeled in a parameter way. Inspired by the biological evolutionary mechanism, we propose a Coupled Evolutionary Network (CEN) with two concurrent evolutionary processes: evolutionary label distribution learning and evolutionary slack regression. Evolutionary network learns and refines age label distributions in an iteratively learning way. Evolutionary label distribution learning adaptively learns and constantly refines the age label distributions without making strong assumptions on the distribution patterns. To further utilize the ordered and continuous information of age labels, we accordingly propose an evolutionary slack regression to convert the discrete age label regression into the continuous age interval regression. Experimental results on Morph, ChaLearn15 and MegaAge-Asian datasets show the superiority of our method.

研究の動機と目的

• 年齢推定における複雑で非ガウス型のラベル分布を、強いパラメトリックな仮定を設けずにモデル化する課題に対処すること。
• ラベル分布学習に回帰を統合することで、年齢の順序的かつ連続的な性質を組み込むこと。
• 結合的進化メカニズムを通じてラベル分布学習と回帰の同時学習を実現し、性能を向上させること。
• 個々の老化のばらつきをうまく捉えられない固定分布仮定（例：ガウス分布）への依存を減らすこと。
• ラベル分布と回帰ターゲットの反復的精錬を通じて、優れた年齢推定精度を達成すること。

提案手法

• CENは、進化的ラベル分布学習と進化的スラック回帰の2つの並列的な進化プロセスを採用する。
• 進化的ラベル分布学習は、特定のパラメトリックな形を仮定せずに、ニューラルネットワークを用いて年齢分布を適応的に推定・精錬する。
• 分布推定の安定化のため、温度制御されたソフトプラス関数を用い、祖先の知識に基づいてKullback-Leibler（KL）ダイバージェンス損失を用いて分布を精錬する。
• 進化的スラック回帰は、離散的年齢回帰を連続的区間回帰に変換するためのスラック項を導入し、年齢の順序と連続性を保持する。
• ハイパーパrameter α と λ を用いて重み付けられた組み合わせで、交差エントロピー損失、KLダイバージェンス損失、回帰損失をエンドツーエンドで学習する。
• 複数の進化反復（t=1 から t=4）を経て性能が向上し、最適な結果は t=3 または t=4 で得られ、収束していることが示された。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークベースの進化メカニズムは、強い分布仮定を設けずに、複雑で個別に特化した年齢ラベル分布を効果的に学習できるか？
• RQ2 ラベル分布学習と連続的回帰を統合することで、年齢推定の精度がどのように向上するか？
• RQ3 反復的進化が年齢分布と回帰予測の精錬に与える影響は何か？
• RQ4 ハイパーパrameter τ、α、λ は、結合的進化フレームワークの性能にどのように影響を与えるか？
• RQ5 提案されたCENは、標準的な年齢推定ベンチマークで、既存の最先端手法を上回る性能を示すか？

主な発見

• MegaAge-Asianデータセットにおいて、ResNet18を用いたCENは、平均絶対誤差（MAE）1.905を達成し、最先端の性能を示した。
• MegaAge-Asianにおいて、3回の進化反復を経て、CA(7)は90.52％から92.28％に向上し、一貫した性能向上が確認された。
• アブレーションスタディの結果、τ=2、α=0.5、λ=4が最良の結果をもたらし、MorphではMAEが1.905となった。
• 進化的精錬は性能を顕著に向上させた：ResNet18を用いたMorphでは、4回の反復を経てMAEが2.220から1.905に低下した。
• 固定分布仮定（例：ガウス分布）よりも、個々の人に応じて変化する柔軟でデータ駆動型のラベル分布を学習することで、性能が向上した。
• 可視化により、学習された分布が非ガウス的で個々の被験者ごとに異なることが確認され、硬直的な仮定に代わる適応的学習の必要性が裏付けられた。