[論文レビュー] GAdaBoost: Accelerating Adaboost Feature Selection with Genetic Algorithms

Mai F. Tolba, Mohamed Moustafa|arXiv (Cornell University)|Sep 20, 2016

Face and Expression Recognition参考文献 12被引用数 5

ひとこと要約

本論文では、巨大な特徴空間におけるアダブースト特徴選択の計算負荷を軽減するため、遺伝的アルゴリズム（GA）を統合したハイブリッド手法GAdaBoostを提案する。この手法により、特徴の選択肢を動的に進化させる縮小されたサブセットに制限することで、Viola-Jones顔検出器におけるアダブーストベースの特徴選択の処理速度が向上する。FDDBおよびCaltech Web Facesデータセットにおいて、検出精度が3–4%低下する程度で、最大3.7倍の高速化が達成され、リアルタイムオブジェクト検出における優れたスピード・アキュラシーのトレードオフを示している。

ABSTRACT

Boosted cascade of simple features, by Viola and Jones, is one of the most famous object detection frameworks. However, it suffers from a lengthy training process. This is due to the vast features space and the exhaustive search nature of Adaboost. In this paper we propose GAdaboost: a Genetic Algorithm to accelerate the training procedure through natural feature selection. Specifically, we propose to limit Adaboost search within a subset of the huge feature space, while evolving this subset following a Genetic Algorithm. Experiments demonstrate that our proposed GAdaboost is up to 3.7 times faster than Adaboost. We also demonstrate that the price of this speedup is a mere decrease (3%, 4%) in detection accuracy when tested on FDDB benchmark face detection set, and Caltech Web Faces respectively.

研究の動機と目的

• 巨大な特徴空間におけるアダブーストによる全組み合わせの特徴探索に起因する、Viola-Jonesオブジェクト検出器の処理時間の著しい長さを解消すること。
• 遺伝的アルゴリズムを用いて、動的に進化する特徴サブセットへの探索範囲を制限することで、アダブーストの計算負荷を軽減すること。
• 訓練時間を著しく短縮しながらも高い検出精度を維持し、リアルタイムオブジェクト検出器の迅速な展開を可能にすること。
• 標準ベンチマーク（FDDBおよびCaltech Web Faces）上で、訓練速度と検出性能のトレードオフを評価すること。

提案手法

• アダブーストが全特徴空間をブルートフォースで探索するのではなく、遺伝的アルゴリズム（GA）を用いて特徴サブセットの集合を進化させることで、特徴選択の探索空間を縮小する。
• GAを用いて、適応度がトレーニングデータにおけるアダブーストの分類性能に基づいて定義された、有望な特徴サブセットを段階的に選択・交差・変異させる。
• アダブーストを、GAが生成した現在の特徴サブセットに対してのみ適用することで、1イテレーションあたりの特徴評価回数を著しく削減する。
• 世代を経て特徴サブセットの集合を進化させ、検出精度を向上させ誤差を低減するサブセットを優遇する選択圧をかける。
• 集団サイズと終了基準を制御することで、探索と収束のバランスを取った探索空間のサイズを制御する。
• GAが特定した最良の特徴サブセットを用いて最終的なカスケード分類器を訓練し、その後標準的なアダブーストブースティングを適用する。

実験結果

リサーチクエスチョン

• RQ1 遺伝的アルゴリズムは、検出性能を劣化させることなく、アダブースト特徴選択の探索空間を効果的に縮小できるか？
• RQ2 標準アダブーストと比較して、GAdaBoostはどれほど高速に訓練できるか？
• RQ3 GAのイタレーション数（例：20 vs. 50）を変化させた場合、最終的な検出精度と訓練速度にどのような影響があるか？
• RQ4 FDDBおよびCaltech Web Facesなどの標準ベンチマークにおいて、GAdaBoostの性能はベースラインアダブーストと比べてどうか？
• RQ5 GAの並列処理が可能な性質を活用することで、将来の実装でさらに訓練を高速化できるか？

主な発見

• GAdaBoostは、標準アダブーストと比較して、最大3.7倍の高速化を達成した。20イタレーションと50イタレーションのバージョンでは、それぞれベースラインの73.2%および55.3%の訓練時間を要した。
• FDDBデータセットでは、50イタレーションのGAdaBoostが1000件の偽陽性で65%の真正陽性率を達成したのに対し、ベースラインは67%であった。これは2%の性能低下を示している。
• Caltech Web Facesデータセットでは、50イタレーションのGAdaBoostが1000件の偽陽性で48%の真正陽性率を達成したのに対し、ベースラインは51%であった。これは3%の精度低下を示している。
• 50イタレーションのGAdaBoostバージョンは、20イタレーションバージョンを常に上回り、特に偽陽性数が少ない閾値領域で顕著な性能向上が見られた。
• GAdaBoostの最良ケースでは、特に偽陽性数が多い閾値領域で、ベースラインとほぼ同等の検出精度が達成された。これは、高いロバスト性を示している。
• 本手法は、訓練時間の大幅な短縮にもかかわらず、精度の低下が最小限（3–4%）に抑えられ、良好なスピード・アキュラシーのトレードオフを示した。