藉由探索潛在的人類型別壓縮人臉的屬性空間

Abstract

近年來，人臉屬性在電腦視覺及影像處理研究內是很重要的資訊，可被利用於分類、辨識、檢索等研究方向。隨著多媒體相關研究的蓬勃發展，對人臉屬性類別的需求也逐漸增加，不僅僅侷限在簡單的性別、年紀、種族等資訊, 但越多的人臉屬性類別，也會導致在處理龐大資訊時的計算量及空間需求量大增。因此，我們提出了潛在人類型別(Latent Human Topic-LHT) 的概念來取代人臉屬性類別，減少其數量，以達到有效率的壓縮。LHT 代表的是一個多種人臉屬性關係之間的組合，藉由奇異值分解 (Singular Value Decomposition-SVD) 來尋找各人臉屬性之間的關係組合，因此可以將原本數量眾多的人臉屬性類別替換成數量較少的 LHT 類別來達到壓縮的目的。同時藉由 LHT 也可以簡單的做到人臉屬性偵測，在我們提出的方法中，利用 LHT 來取代原有的人臉屬性並利用機器學習的方法學習 LHT 模型以做到 LHT 偵測，最後僅需要將偵測出來的 LHT 數值經過快速的重建運算，即可還原為原始的各項人臉屬性。由於 LHT 的概念是從資料中去學習人臉屬性之間的關係，所以仍然可以保留各項人臉屬性的資訊，因此在人臉屬性偵測的實驗中，利用數量較少的 LHT 來偵測人臉屬性仍可以達到與傳統方法近乎相同的準確率，但由於 LHT 的數量遠少於初始的人臉屬性類別數量，所以在偵測時的運算量及所需要的儲存空間都可以大為減少。尤其是在有限硬體資源的裝置上，如：手機或其他行動無線裝置，會有更大的需求希望可以在達到相同準確率下，節省更多計算資源及儲存空間，因此，我們提出的 LHT 將可以滿足這項需求。

Facial attribute is important information for a variety of machine vision tasks including recognition, classification, and retrieval. There arises a strong need for detecting various facial attributes such as gender, age and more which consume more computation and storage resources. Therefore, we propose a compression framework to find fewer significant Latent Human Topics (LHT) to approximate more facial attributes. LHT is a combination of attribute correlation by transferring facial attribute space to compressional space with Singular Value Decomposition (SVD). Using the proposed scheme, we can easily detect the facial attributes from a face image via fast reconstructing the compressed labels automatically detected by a few LHT classifiers. Experimental results show that our system can achieve similar performance with substantially fewer dimensions compared to the original number of facial attributes, and it even shows slight improvements because LHT carry informative at tribute correlations learned from data.