[論文レビュー] Deep Attribute Networks

Jun‐Young Chung, Dong-Hoon Lee+2 more|arXiv (Cornell University)|Nov 13, 2012

Face and Expression Recognition参考文献 20被引用数 19

ひとこと要約

本稿では、直接分類を行わず、画像からコン act で判別力があり意味的に意味のある属性を抽出する深層学習モデルであるDeep Attribute Networks (DAN) を提案する。低レベル特徴の計算を回避することで、非制約的顔認識（LFW）および実世界のオブジェクト認識（a-PASCAL）において最先端の性能を達成し、属性に基づく画像理解において高速性と頑健性を示した。

ABSTRACT

Obtaining compact and discriminative features is one of the major challenges in many of the real-world image classification tasks such as face verification and object recognition. One possible approach is to represent input image on the basis of high-level features that carry semantic meaning which humans can understand. In this paper, a model coined deep attribute network (DAN) is proposed to address this issue. For an input image, the model outputs the attributes of the input image without performing any classification. The efficacy of the proposed model is evaluated on unconstrained face verification and real-world object recognition tasks using the LFW and the a-PASCAL datasets. We demonstrate the potential of deep learning for attribute-based classification by showing comparable results with existing state-of-the-art results. Once properly trained, the DAN is fast and does away with calculating low-level features which are maybe unreliable and computationally expensive.

研究の動機と目的

• 顔認識やオブジェクト認識などの実世界の画像分類タスクにおける、コンパクトで判別力のある特徴を取得する課題に対処すること。
• 計算コストが高く、信頼性に欠ける低レベル特徴を避けるために、高レベルで人間が理解可能な意味的属性を活用すること。
• 画像の属性を直接予測する深層学習モデルを構築し、より高速で頑健な特徴表現を可能にすること。
• 非制約的顔認識およびオブジェクト認識のデータセットを含む実世界のベンチマーク上で、モデルの有効性を評価すること。
• 深層学習を用いた属性ベースの表現が、分類タスクにおいて最先端の性能を達成または上回ることを示すこと。

提案手法

• 入力画像から意味的属性を直接予測するように訓練された、深層ニューラルネットワークアーキテクチャ、Deep Attribute Network (DAN) を提案する。
• 低レベルの視覚的特徴の計算を回避し、代わりに高レベルの意味的表現に焦点を当てるネットワークを設計する。
• 生画像入力を、意味的コンセプトの存在を示す属性スコアの集合にマッピングするように、エンドツーエンドでモデルを訓練する。
• 階層的な表現を学習するための深層アーキテクチャを活用し、判別力があり解釈可能な画像属性を捉える。
• 標準的な深層学習最適化手法（例：誤差逆伝播）を用いて、属性アノテーション上でネットワークを訓練する。
• 訓練済みのDANを、再訓練なしに顔認識やオブジェクト認識などの後続タスクの特徴抽出に適用する。

実験結果

リサーチクエスチョン

• RQ1 低レベル特徴に依存せずに、画像から高レベルで意味的意味のある属性を効果的に抽出できるか？
• RQ2 DANによる属性ベースの特徴抽出の性能は、顔認識およびオブジェクト認識における既存の最先端手法と比べてどうか？
• RQ3 低レベル特徴の計算を排除することで、実世界の画像分類タスクにおける推論速度と頑健性がどの程度向上するか？
• RQ4 DANモデルは非制約的顔や実世界のオブジェクトなど、多様な画像ドメインに一般化可能か？
• RQ5 意味的属性の使用により、コンパクトで判別力のある表現が得られ、従来の分類ベースラインを上回るか？

主な発見

• Deep Attribute Network (DAN) は、非制約的顔認識のためのLabeled Faces in the Wild (LFW) データセットにおいて、最先端の手法と同等の性能を達成した。
• a-PASCAL データセットでは、属性ベースの表現を用いて、実世界のオブジェクト認識タスクにおいて優れた性能を示した。
• 低レベル特徴の計算をスキップすることで、DANは計算コストを顕著に低減し、推論速度を向上させた。
• モデルはコンパクトで判別力があり、意味的に解釈可能な特徴を生成し、後続の分類タスクに有効であった。
• 結果から、深層学習を属性ベースの分類に効果的に活用でき、明示的な分類ヘッドの訓練なしに競争力のある結果が得られることを確認した。
• 訓練が完了したDANモデルは高速かつ信頼性が高く、リアルタイムおよび大規模な画像解析アプリケーションに適している。