CNNのディープラーニングで飛躍的に進化した顔画像識別技術

今世紀初頭に実用化が始まった顔画像識別技術は、近年ではCNN (畳み込みニューラルネットワーク) のディープラーニングの活用により、「人の目」を遥かに超えたびっくりするような性能が実現しています。例えば、整形手術や長期経年変化が影響して、あるいは、顔の表情や撮影角度の大きな違いなどが影響して、「人の目」には同一人物には見えないような顔画像であっても、顔画像識別技術を用いれば同一人物であることを瞬時に看破できます。 　顔画像には6つもの変動要因 (緻密さ、鮮明さ、撮影角度、表情、経年変化、メガネやマスクの有無) があるので、人の手による識別アルゴリズムの明示的な設計が難しい対象でした。このような対象こそ、ディープラーニングを用いて、ニューラルネットワークの中に識別アルゴリズムを暗示的に生成する方法が、大きな効果を発揮できるところなのです。 　そこで、本セミナーでは、CNNのディープラーニングによる顔識別の仕組みや動作、効果的な学習方法、ディープラーニングで実現した最先端の識別性能や更なる精度向上方法などを、多数の顔画像を例示して分かりやすく説明致します。

1. 「人の目」を遥かに凌駕する顔識別技術
   1. 我が国の顔識別技術は世界のトップランナー
   2. 顔識別技術の検索照合速度は超高速
      1. 顔画像から「顔特徴ベクトル」を生成
      2. 「顔特徴ベクトル」間の距離で類似度を算定
   3. 顔画像品質と識別精度との関係
   4. 顔識別技術の動作原理 (ディープラーニングを用いない場合)
   5. 顔識別技術の動作原理 (ディープラーニングを用いた場合)
2. 顔識別に用いるディープラーニングの基礎
   1. ニューラルネットワークのディープラーニング
      1. ニューラルネットワークとは?
      2. ディープラーニングとは?
   2. ニューラルネットワーク・アーキテクチャ進化の系譜
      1. アーキテクチャの基本は、CNNとRNN
      2. CNN (畳み込みニューラルネットワーク) の系譜
      3. RNN (再帰型ニューラルネットワーク) の系譜
   3. ディープラーニングにおける一般的な学習方法
      1. ディープラーニングではどのように学習するのか?
      2. ディープラーニングの学習が目指すのは「汎化」
      3. 「汎化したアルゴリズム」の生成方法
3. CNNの全体構成と顔識別に向けたディープラーニング
   1. CNN (畳み込みニューラルネットワーク) の全体構成
   2. 顔画像の検出に向けたR-CNN (領域提案できる畳み込みニューラルネットワーク) のディープラーニング
      1. R-CNNによる顔画像の検出
      2. 的確に顔画像を検出するための学習フェーズ
   3. 顔画像の識別に向けたCNNのディープラーニング
      1. CNNによる「顔特徴ベクトル」の生成
      2. 理想的な「顔特徴ベクトル」を生成するための学習フェーズ
4. 米国立標準技術研究所の顔認識技術に係るベンダーテスト (FRVT)
   1. 2013年のFRVTと2018年のFRVT
      1. 参加した企業や研究機関
      2. 両FRVTで共通して用いられた2種類の顔画像
      3. 両FRVTで共通して用いられた識別精度評価方法
   2. 2013年FRVT→2018年FRVT ディープラーニングが識別性能を飛躍的に向上
   3. 2018年FRVT 品質の劣る顔画像に対する識別特性
   4. 2018年FRVT 顔の経年変化に対する識別特性
   5. 2018年FRVT 真横顔に対する識別特性
   6. 2018年FRVT 同一人物の複数ショット照合による識別精度の向上
5. 顔識別技術におけるディープラーニングの効能・効果
   1. 顔識別技術の精度向上は、ディープラーニングの適用による工夫次第
   2. 顔識別技術における人種バイアスの問題とその解決策