要約
ディープラーニングの最近の進展により、顔認識の能力は著しく向上している。しかし、制約のない環境における顔認識は依然として活発な研究課題である。ポーズや低解像度といった共変量（covariates）については多くの注目が集まっているが、「仮面（disguise）」は顔認識において特に困難な共変量とされている。その主な理由の一つは、大規模かつ代表的なデータベースが不足しているためである。本研究では、仮面を着用した顔の認識問題に対処するため、ターゲットドメインのデータから知能的にトレーニングサンプルを選択するアクティブラーニングフレームワーク「A-LINK」を提案する。このフレームワークにより、特定の変動パターンに過剰に適合しないように決定境界を設計し、変動性をより良い形で表現できるように一般化性能を向上させる。さらに、選択されたトレーニングサンプルを用いてドメイン適応を実施し、ネットワークの微調整を行う。提案手法の有効性は、LCSSEやDenseNetといった最先端モデルを用いてDFWおよびMulti-PIEデータセット上で検証された。