要約
本稿では、顔認証のための高次特徴表現を深層学習によって学習する手法を提案する。これを「Deep hidden IDentity features（DeepID）」と呼ぶ。我々は、DeepIDが困難な多クラス顔識別タスクを通じて効果的に学習可能であり、訓練データに含まれなかった新たな顔IDに対しても一般化可能であると主張する。さらに、訓練時に識別すべき顔クラス数が増えるほど、DeepIDの一般化能力が向上する。DeepID特徴は、深層畳み込みネットワーク（ConvNets）の最終隠れ層のニューロン活性値から抽出される。訓練時に約10,000人の顔IDを識別するように分類器として学習させ、特徴抽出階層に沿ってニューロン数を段階的に削減するように設定することで、上位層では少数の隠れニューロンで効率的な顔固有特徴が自然に形成される。提案手法では、顔の異なる領域から特徴を抽出し、補完的かつ過完備な表現を構成する。この高次元表現に基づいて、最新の分類器を構築し、顔認証に適用できる。弱いアライメント（alignment）を施した顔画像を用いても、LFWデータセットにおいて97.45%の認証精度を達成した。