過学習を考慮した IS1-60 AAMパラメータの選択と回帰分析による 顔・視線方向同時推定 顔・視線同時推定 研究背景 高谷 学 滝口 哲也 有木 康雄（神戸大学） 顔・視線同時推定 研究背景 ◆顔方向推定誤差の影響 ◆AAMによる顔・視線方向の同時推定 ◆モデル選択手法による過学習の緩和 ◆視線は人間の意図や興味を表す情報 ◆単眼カメラによる視線推定技術への期待 ・AAMによる顔・視線方向のモデル化 ・AAMのパラメータを回帰分析 ・ロボットビジョン ・顔方向推定誤差の緩和 ・インターフェース ・不要な次元による過学習 ・マーケティング 非接触・低侵襲の単眼カメラによる 視線推定技術 ・回帰分析に用いる不要な説明変数の削減 ・赤池情報量規準（AIC)、ベイズ情報量規準（BIC）、最小記述長規準（MDL)など AAMによる顔・視線同時推定 ◆顔・視線方向の変化をモデル化 ◆combinedパラメータを回帰分析 モデル選択による過学習の緩和 ・顔・視線方向の変化に伴う、顔の形状、テクスチャを同時にモデル化 ◆不要な次元の削減の必要性 ◆様々なモデル選択の手法 ・顔・視線方向の変化を表さない次元が過学習の原因 ・モデル選択の手法を用いて不要な次元を削減 yk：目的変数 xi：説明変数 f：k番目のモデルにおいて、i番目の説明変数を用いるかを選択する変数 s：形状ベクトル g：テクスチャベクトル Ps,Pg,Qs,Qg,：直交空間 ・回帰式の汎化能力を学習データを用いて評価 Ws：単位を揃えるための変換行列 ・赤池情報量規準（AIC) パラメータを変化と モデルの変化 c：combinedパラメータベクトル k：回帰式の自由度（説明変数の数） L：モデルの最大尤度 ・最小記述長規準（MDL) n：学習データの数 ・ベイズ情報量規準（BIC) φ：顔方向角度 a0：定数係数ベクトル θ：視線方向角度 A：係数行列 評価実験と考察 ◆実験データ ◆実験結果 ◆考察とまとめ ・被験者４名 ・顔、視線方向左右20度以内の顔画像 ・表情は全て無表情 ・学習画像63[枚/人]、テスト画像[252枚/人] ・石川らの手法を従来手法として比較 ・主にモデル選択を行ったため精度が改善した ・AAMが未学習人物に対して、特徴量を追跡できない問題への対応 ・推定に必要な計算時間の問題への対応