A Weighted Sparse Matrix Regression Model for Face Recognition
Dit artikel stelt een Weighted Sparse Matrix Regression (WSMR) model voor dat structurele en afstandsinformatie integreert om continu occlusie in gezichtsherkenning effectief te behandelen, gebruikmakend van de Alternating Direction Method of Multipliers (ADMM) voor optimalisatie en superieure prestaties demonstrerend door experimenten op publieke databases.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van computers is het aanleren van een machine om een menselijk gezicht te herkennen een taak die voor ons eenvoudig lijkt, maar verrassend moeilijk is voor een programma. Een computer ziet geen glimlach of een gefronste wenkbrauw; het ziet een raster van getallen die licht en donkere pixels vertegenwoordigen. Wanneer een gezicht duidelijk en goed verlicht is, kan de computer deze patronen met een hoge nauwkeurigheid matchen met een database van bekende gezichten. De echte wereld is echter zelden perfect. Gezichten worden vaak gedeeltelijk verborgen door zonnebrillen, sjaals of de schaduwen van een boom, en de verlichting kan verschuiven van fel middagzonlicht naar diepe duisternis. Deze onderbrekingen creëren "ruis" in de gegevens, wat de poging van de computer om een match te vinden, in de war brengt. Jarenlang hebben onderzoekers geprobeerd systemen te bouwen die deze afleidingen kunnen negeren, zoekend naar een wiskundige manier om de ware identiteit van een persoon te scheiden van de rommel die hen aan het zicht onttrekt. Het doel is om een systeem te creëren dat betrouwbaar blijft, zelfs wanneer de afbeelding beschadigd of incompleet is, net zoals een mens nog steeds een vriend kan herkennen die een hoed en een zonnebril draagt op een regenachtige dag.
Een team van onderzoekers van de Tianjin University en de Southern University of Science and Technology in China heeft een nieuwe methode voorgesteld om dit specifieke probleem van geobscureerde gezichten op te lossen. Ze noemen hun aanpak een gewogen sparse matrix regressiemodel. Om te begrijpen hoe het werkt, stel je voor dat je een gescheurde foto probeert te reconstrueren. Als je simpelweg probeert de ontbrekende stukjes in te vullen op basis van het gemiddelde van alle andere foto's die je hebt, krijg je misschien een wazige bende. In plaats daarvan kijkt deze nieuwe methode naar de specifieke patronen van de schade. De onderzoekers realiseerden zich dat wanneer een gezicht wordt geblokkeerd door een object, de fout — het verschil tussen het echte gezicht en de gok van de computer — de neiging heeft om een grote, continue blokvorm aan te nemen. Oudere methoden probeerden deze fout te behandelen als een verzameling willekeurige, verspreide fouten, wat goed werkte voor kleine stipjes ruis, maar faalde wanneer grote gebieden werden verborgen. Het nieuwe model behandelt de fout als een gestructureerd blok en kijkt naar hoe de pixels van de ene rij naar de volgende veranderen. Het gaat ervan uit dat als een groot gebied geblokkeerd is, de veranderingen tussen de rijen pixels zeer vergelijkbaar zullen zijn, wat een voorspelbaar patroon creëert dat de computer kan leren negeren.
De onderzoekers introduceerden ook een manier om het belang van verschillende groepen trainingsgegevens te wegen. In hun systeem leert de computer van veel voorbeelden van elke persoon. Wanneer het probeert een nieuw, verborgen gezicht te identificeren, berekent het hoe dicht dat gezicht bij de groepen bekende gezichten ligt die het heeft bestudeerd. Als een groep bekende gezichten zeer vergelijkbaar is met het verborgen gezicht, geeft het model die groep een hoger gewicht, waardoor het waarschijnlijker de juiste is. Als een groep zeer verschillend is, wijst het model er een lager gewicht aan toe, wat de computer effectief vertelt minder aandacht aan die groep te besteden. Dit weegsysteem helpt de computer om niet in de strik te lopen van gezichten die enigszins op elkaar lijken maar niet de juiste match zijn. Bovendien moedigt het model de computer aan om een collaboratieve aanpak te gebruiken, waarbij het kijkt naar hoe de verschillende voorbeelden van dezelfde persoon samenwerken om een compleet beeld te vormen, in plaats van te vertrouwen op slechts één enkele afbeelding.
Om hun idee te testen, lieten de onderzoekers hun model testen tegenover verschillende bestaande methoden met behulp van vier verschillende publieke databases van gezichtsafbeeldingen. Deze databases bevatten gezichten gefotografeerd onder extreme lichtomstandigheden, gezichten bedekt door zwarte of witte blokken, en gezichten met echte vermommingen zoals zonnebrillen en sjaals. In één reeks tests gebruikten ze afbeeldingen uit de Extended YaleB-database, waar gezichten werden gefotografeerd onder zeer harde schaduwen. Wanneer de verlichting ernstig was, hadden oudere methoden moeite, waarbij sommige herkenningspercentages onder de 40 procent zakten. Het nieuwe model behield echter een herkenningspercentage van meer dan 90 procent, waarmee het de anderen aanzienlijk overtrof. In een ander experiment bedekten ze delen van de gezichten met solide kleurblokken of zelfs andere afbeeldingen, om zware occlusie te simuleren. Toen de grootte van het geblokte gebied groeide tot bijna twee derde van het gezicht, bleef het nieuwe model de persoon ongeveer 77 procent van de tijd correct identificeren, terwijl andere methoden ver achterbleven.
Het team vergeleken hun aanpak ook met moderne deep learning-systemen, die krachtige computerprogramma's zijn die leren door enorme hoeveelheden gegevens te verwerken. Hoewel deze deep learning-modellen uitstekend zijn wanneer ze tijdens hun training vergelijkbare voorbeelden hebben gezien, hadden ze moeite wanneer ze geconfronteerd werden met nieuwe soorten occlusie die ze nog niet eerder waren tegengekomen. Het nieuwe regressiemodel vertrouwde daarentegen op wiskundige regels over hoe fouten gestructureerd zijn, in plaats van alleen maar patronen te memoriseren. Dit stelde het in staat om nieuwe, complexe vermommingen effectiever aan te pakken, zelfs wanneer het aantal trainingsafbeeldingen beperkt was. De onderzoekers vonden dat hun methode bijzonder sterk was wanneer de occlusie continu was, zoals een grote sjaal die het onderste deel van een gezicht bedekt, een scenario waarin veel andere systemen faalden.
De studie concludeert dat door zich te richten op de structuur van de fout en een gewogen systeem te gebruiken om de meest relevante trainingsgegevens te prioriteren, het mogelijk is om een gezichtsherkenningssysteem te bouwen dat veel robuuster is tegen interferentie in de echte wereld. De onderzoekers hebben aangetoond dat hun model efficiënt kan worden opgelost met behulp van een specifiek wiskundig algoritme, waardoor het afbeeldingen snel kan verwerken. Hoewel ze erkennen dat hun werk een stap voorwaarts is en geen definitieve oplossing, suggereren de resultaten dat deze aanpak een betrouwbaar alternatief biedt voor situaties waarin gezichten zwaar geobscureerd zijn of de verlichting slecht is. De bevindingen wijzen erop dat het begrijpen van de geometrie van de ontbrekende informatie even belangrijk is als de informatie die overblijft, wat een duidelijk pad biedt voor toekomstige systemen om ons te herkennen, zelfs wanneer we gedeeltelijk verborgen zijn.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.