[논문 리뷰] Cross-Age LFW: A Database for Studying Cross-Age Face Recognition in Unconstrained Environments

Tianyue Zheng, Weihong Deng외 1명|arXiv (Cornell University)|2017. 08. 28.

Face recognition and analysis참고 문헌 20인용 수 304

한 줄 요약

CALFW는 큰 연령 차이를 가진 3,000개의 양의 쌍과 같은 성별과 인종의 음의 쌍을 선택하여 LFW 대비 여러 기본 방법에서 정확도가 10-17% 감소하는 cross-age 변형을 도입한다.

ABSTRACT

Labeled Faces in the Wild (LFW) database has been widely utilized as the benchmark of unconstrained face verification and due to big data driven machine learning methods, the performance on the database approaches nearly 100%. However, we argue that this accuracy may be too optimistic because of some limiting factors. Besides different poses, illuminations, occlusions and expressions, cross-age face is another challenge in face recognition. Different ages of the same person result in large intra-class variations and aging process is unavoidable in real world face verification. However, LFW does not pay much attention on it. Thereby we construct a Cross-Age LFW (CALFW) which deliberately searches and selects 3,000 positive face pairs with age gaps to add aging process intra-class variance. Negative pairs with same gender and race are also selected to reduce the influence of attribute difference between positive/negative pairs and achieve face verification instead of attributes classification. We evaluate several metric learning and deep learning methods on the new database. Compared to the accuracy on LFW, the accuracy drops about 10%-17% on CALFW.

연구 동기 및 목표

• 나이 증가와 관련된 클래스 내 변이를 도입하여 보다 현실적인 얼굴 검증 벤치마크를 제시한다.
• 음수에서 성별과 인종을 통제하면서 LFW 신원을 확장하여 큰 연령 차이를 가진 CALFW를 만든다.
• 연구자들이 직접 비교하고 쉽게 채택할 수 있도록 LFW의 검증 프로토콜을 유지한다.

제안 방법

• 가능한 가장 큰 연령 차이를 가진 LFW 신원에 대한 이미지를 모아 CALFW를 구성한다.
• 얼굴 탐지, 자르기, 정렬, 중복 제거를 수행하고 정확성을 위해 라벨과 랜드마크를 수동으로 확인한다.
• Dex 모델을 사용하여 각 이미지의 연령을 추정하고 긍정 예에서 최대 연령 차이가 강조되도록 학습/테스트 쌍을 구성한다.
• 속성 차이를 최소화하기 위해 같은 성별과 인종의 사람들로 음수 쌍을 형성한다.
• CALFW에서 기본 메트릭 학습 및 딥러닝 방법을 평가하고 LFW와 비교하여 난이도를 측정한다.

실험 결과

연구 질문

• RQ1 큰 교차 연령 내 클래스 변이가 도입되면 LFW에 비해 얼굴 검증 성능이 감소하는가?
• RQ2 속성 제어 음수(같은 성별/인종)가 CALFW에서 검증 난이도에 어떤 영향을 미치는가?
• RQ3 연령 상승을 클래스 내 변량으로 명시적으로 모델링할 때 표준 메트릭 학습과 CNN 기반 접근 방식이 성능을 유지하는가?

주요 결과

• CALFW는 양성 쌍의 연령 차이를 평균 16.61년(SD 10.78)로 증가시켜 LFW의 4.94년(SD 4.24)보다 intra-class aging 분산을 증가시킨다.
• CALFW의 음수는 양성과 같은 성별과 인종을 가지도록 선택되어 속성 차이를 줄인다.
• 전반적으로 기본 방법들에서 CALFW는 LFW에 비해 검증 정확도를 약 10-17% 감소시킨다(예: ITML: LFW에서 82.37% 대 CALFW에서 68.82%; VGG-Face: LFW 97.85% 대 CALFW 86.50%; Noisy Softmax: LFW 99.18% 대 CALFW 82.52%).
• CALFW는 LFW의 속성 차이가 검증 성능을 과대평가할 수 있음을 보여주고, CALFW의 제어된 구성은 교차 연령 검증에 더 현실적인 난이도 수준을 제공한다.