[論文レビュー] Learning Deep Face Representation

Haoqiang Fan, Zhimin Cao+3 more|arXiv (Cornell University)|Mar 12, 2014

Face recognition and analysis被引用数 60

ひとこと要約

本論文では、顔の表現を非常にコンパクトかつ判別力高く学習するための新しい深層学習フレームワーク、Pyramid CNNを提案する。グリーディなフィルタリングおよびダウンサンプリング処理を用いることで、高速で計算効率の良い学習が可能となり、LFWベンチマークでは8次元の特徴量のみで97.3%の精度を達成し、最新の最先端性能を記録した。また、新しいソーシャルネットワーク顔データセットにおいても優れた一般化性能を示した。

ABSTRACT

Face representation is a crucial step of face recognition systems. An optimal face representation should be discriminative, robust, compact, and very easy-to-implement. While numerous hand-crafted and learning-based representations have been proposed, considerable room for improvement is still present. In this paper, we present a very easy-to-implement deep learning framework for face representation. Our method bases on a new structure of deep network (called Pyramid CNN). The proposed Pyramid CNN adopts a greedy-filter-and-down-sample operation, which enables the training procedure to be very fast and computation-efficient. In addition, the structure of Pyramid CNN can naturally incorporate feature sharing across multi-scale face representations, increasing the discriminative ability of resulting representation. Our basic network is capable of achieving high recognition accuracy ($85.8\%$ on LFW benchmark) with only 8 dimension representation. When extended to feature-sharing Pyramid CNN, our system achieves the state-of-the-art performance ($97.3\%$) on LFW benchmark. We also introduce a new benchmark of realistic face images on social network and validate our proposed representation has a good ability of generalization.

研究の動機と目的

• 手作業で設計された特徴量の限界を克服する、統合的かつ容易に実装可能な深層学習フレームワークを構築すること。
• 顔認識のための深層ネットワークの高速かつ計算効率の良い学習を可能にすること。
• 極めてコンパクトな特徴表現（例：8次元）で高い認識精度を達成すること。
• ピラミッドの各レベル間で多スケール特徴を共有することで、判別力を向上させること。
• ソーシャルネットワークから得られる現実的で制約のない顔画像に対して、一般化性能を検証すること。

提案手法

• 学習の高速化と計算量の削減を図るために、グリーディなフィルタリングおよびダウンサンプリング操作を用いる新しい深層ネットワークアーキテクチャであるPyramid CNNを提案する。
• 顔ペアの信号を用いた教師あり学習により、ネットワークを画像ピクセルの直接入力で学習させる。
• ピラミッドの各レベル間で多スケール特徴を共有することで、判別力の向上を図る。
• 階層的構造を採用し、低レベル特徴を複数のスケールで共有することで、表現品質の向上を実現する。
• ランドマークに基づいた多スケール画像クロッピングを適用し、異なる解像度での表現を抽出する。
• 対照損失または類似した教師信号を用いて、顔ペアの学習をバックプロパゲーションによりエンドツーエンドで行う。

実験結果

リサーチクエスチョン

• RQ1 統合的で複雑さが最小限の深層学習フレームワークが、最小限の複雑さと高い効率で最先端の顔認識性能を達成できるか？
• RQ2 標準的なCNNと比較して、Pyramid CNNアーキテクチャは学習速度と表現のコンパクトさをどの程度向上させるか？
• RQ3 多スケール特徴共有は、学習された顔表現の判別力にどの程度寄与するか？
• RQ4 学習された表現は、ソーシャルネットワークから得られる現実的で制約のない顔画像に対して、どの程度一般化できるか？
• RQ5 実世界のアクセス制御に適した厳しい偽陽性率条件下で、本手法の性能はどの程度か？

主な発見

• 基本的なPyramid CNNは、8次元の顔表現のみを用いてLFWベンチマークで85.8%の精度を達成した。
• 多スケール特徴共有を拡張したPyramid CNNは、LFWで97.3%の精度に達し、新たな最先端性能を樹立した。
• 新しいSocial Face Datasetでは、高次元のLBPベースラインと比較して、FPR = 0.001におけるTPRが12ポイント向上（0.44 vs. 0.32）した。
• Pyramid CNNを用いた学習は、単一の大規模ネットワークを学習するのと比較して、より短時間で高い精度に到達し、収束が速いことが示された。
• 年齢変化や遮蔽が生じる困難なケースに対しても、性能が高く維持されており、164例中158例の誤りがその要因に起因していた。
• 結果から、より高い性能向上には、画像特徴量に加えて文脈的・背景的知識を統合する必要があると考えられる。