過学習を考慮した 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 IS1-60 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 ◆視線は人間の意図や興味を表す情報 ◆AAMによる顔・視線方向の同時推定・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・顔方向推定誤差の緩和・不要な次元による過学習 ◆単眼カメラによる視線推定技術への期待・ロボットビジョン・インターフェース・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 ◆モデル選択手法による過学習の緩和・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 1 s s  s  Ps W Q s c ・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 g  g  Pg Q g c yk   f (k , i)ai xi s：形状ベクトル g：テクスチャベクトル ◆様々なモデル選択の手法 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・赤池情報量規準（AIC) Ws：単位を揃えるための変換行列パラメータを変化と c：combinedパラメータベクトル AICk  2 ln L  2k モデルの変化 ◆combinedパラメータを回帰分析 cos sin φ：顔方向角度 θ：視線方向角度 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・最小記述長規準（MDL) cosθ sinθ  Ac a0 T MDL k k：回帰式の自由度（説明変数の数） L：モデルの最大尤度 n：学習データの数 k   ln L  log n 2 ・ベイズ情報量規準（BIC) BICk  2 ln L  k log n a0：定数係数ベクトル A：係数行列評価実験と考察 ◆実験データ ◆実験結果・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 Estimation error( deg ) 4.5 4 3.5 Conventional Separately Simlutaneous 3 ◆考察とまとめ・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 2.5 2 No Selection MDL BIC Method to Select model. AIC