[논문 리뷰] Feature Selection via Sparse Approximation for Face Recognition

Yixiong Liang, Lei Wang외 2명|arXiv (Cornell University)|2011. 02. 14.

Face and Expression Recognition참고 문헌 42인용 수 4

한 줄 요약

이 논문은 Gabor 특징을 사용한 얼굴 인식을 위한 스퍼스 근사 기반의 특징 선택 방법을 제안한다. 정규화된 최소 제곱 오차(MSE) 기준과 스퍼스 제약 조건을 통합하여, Ho-Kashyap 절차에 스퍼스성을 통합함으로써 특징 선택과 마진 학습을 동시에 최적화한다. CAS-PEAL-R1 및 LFW 데이터베이스에서 131,072개의 특징 중 단지 500개의 선택된 특징을 사용하여 70.32%의 정확도를 달성하며, 최신 기술 수준의 성능을 확보한다.

ABSTRACT

Inspired by biological vision systems, the over-complete local features with huge cardinality are increasingly used for face recognition during the last decades. Accordingly, feature selection has become more and more important and plays a critical role for face data description and recognition. In this paper, we propose a trainable feature selection algorithm based on the regularized frame for face recognition. By enforcing a sparsity penalty term on the minimum squared error (MSE) criterion, we cast the feature selection problem into a combinatorial sparse approximation problem, which can be solved by greedy methods or convex relaxation methods. Moreover, based on the same frame, we propose a sparse Ho-Kashyap (HK) procedure to obtain simultaneously the optimal sparse solution and the corresponding margin vector of the MSE criterion. The proposed methods are used for selecting the most informative Gabor features of face images for recognition and the experimental results on benchmark face databases demonstrate the effectiveness of the proposed methods.

연구 동기 및 목표

• 얼굴 인식에서 과잉 결정된 Gabor 특징 사전에서 분류 가능한 국소적 특징을 선택하는 문제를 해결하기 위해.
• 스퍼스 제약을 통해 차원 감소를 실현하면서도 분류 정보를 유지함으로써 인식 성능을 향상시키기 위해.
• 특징 선택과 마진 학습을 동시에 최적화하는 통합 프레임워크를 개발하여 보다 우수한 일반화 성능을 확보하기 위해.
• 기존 방법들(예: Adaboost)의 한계를 극복하기 위해, 계산 비용이 높고 특징 상관관계를 忽시하는 점을 해결하기 위해.
• 실제 환경에서의 변화(표정, 조명, 가림 등)에 대응하는 벤치마크 얼굴 데이터베이스에서 제안된 방법의 효과성을 검증하기 위해.

제안 방법

• 최소 제곱 오차(MSE) 기준에 스퍼스 펜alty를 추가하여 특징 선택 문제를 조합 최적화 문제로 재정의한다.
• 스퍼스 근사 문제를 해결하기 위해 그레디언트 방법(예: OMP) 또는 볼록 완화 기법을 사용한다.
• 스퍼스 Ho-Kashyap(SHK) 절차를 도입하여 반복적으로 스퍼스 해와 마진 벡터를 동시에 최적화한다.
• 131,072개의 구성 요소로 이루어진 큰 사전에서 가장 정보가 풍부한 Gabor 특징을 선택하기 위해 제안된 프레임워크를 적용한다.
• 모델 개발은 View 1에서 수행하고, 성능 평가는 LFW 데이터셋의 View 2에서 보고하는 이중 단계 평가 프로토콜을 사용한다.
• 선택된 특징을 SVM 및 피셔 판별 분류기와 조합하여 분류 성능 평가를 수행한다.

실험 결과

연구 질문

• RQ1 스퍼스 제약이 가해진 특징 선택이 차원 감소를 동시에 실현하면서도 얼굴 인식 정확도를 향상시킬 수 있는가?
• RQ2 스퍼스 학습 과정에 마진 최적화를 통합하면 표준 MSE 기반 방법보다 일반화 성능이 향상되는가?
• RQ3 기존의 스퍼스 MSE 및 피셔 기반 방법과 비교해 볼 때, 제안된 스퍼스 Ho-Kashyap 절차는 특징 선택 및 분류에서 어떤 성능을 보이는가?
• RQ4 전체 Gabor 특징 집합을 사용하는 것에 비해 훨씬 적은 수의 특징으로도 경쟁 가능한 성능을 달성할 수 있는가?
• RQ5 학습 과정에 편향과 적응형 마진을 포함함으로써 과적합을 방지하고 도전적인 데이터셋에서의 강인성을 향상시킬 수 있는가?

주요 결과

• 제안된 G SHK+SVM 방법은 LFW 데이터셋에서 70.32%의 인식 정확도를 달성하여 전체 특징 기반의 FC 기준(67.10%)과 다른 변종들보다 뛰어난 성능을 보였다.
• G SFisher+SVM 방법은 69.18%의 정확도를 기록하여, 500개의 특징을 사용한 스퍼스 피셔 분류가 전체 특징 기반의 FC 성능을 근사할 수 있음을 보여주었다.
• G SHK 방법 자체만으로도 68.27%의 정확도를 달성하여, 별도의 분류기가 없이도 스퍼스 Ho-Kashyap 절차가 효과적임을 입증했다.
• SHK 및 SFisher 방법은 두 데이터베이스에서 모두 SSMES를 능가했으며, 이는 마진과 편향 고려가 일반화 성능 향상에 기여함을 시사한다.
• 그림 3의 ROC 곡선은 SHK 및 SFisher 방법이 SSMES보다 진짜 양성과 거짓 양성 비율 간의 균형을 더 우수하게 달성함을 확인했다.
• CAS-PEAL-R1 및 LFW 데이터베이스에서의 결과는 제안된 프레임워크가 표정, 조명, 가림 등의 변화가 있는 실제 환경에서의 얼굴 인식에 효과적임을 확인한다.