4. Dependencias entre atributos faciales
4.2. Reconocimiento de g´ enero robusto
4.3.3. Clasificaci´ on de g´ enero no alineado
Como hemos mostrado en la Secci´on 4.2.1, elPowerset de atributos puede explo- tar las dependencias entre el g´enero y la posici´on de los ojos permitiendo mejorar la estimaci´on de g´enero. Hemos realizado dos grupos de experimentos: uno que solo usa el atributo de G´enero y otro que utiliza el AP sobre G´enero ×Alineaci´on. Por otra parte, hemos organizado el entrenamiento y pruebas en dos tipos de experimentos:
Experimentos sobre una base de datos. En este caso hemos entrenado los cla- sificadores con la base de datos GROUPS empleando el m´etodo de validaci´on cruzada 5−f old. Los resultados representan el promedio de las tasas de acier- to de cada f old y su desviaci´on est´andar.
Experimentos de cruce de base de datos.En este caso se entren´o un clasificador con la base de datos GROUPS y las pruebas para la validaci´on del atributo del g´enero se desarrollaron sobre las base de datos LFW.
En los experimentos desarrollados sobre una ´unica base de datos podemos obser- var que empleando el AP logramos una mejora global del 2 % en lo que se refiere a estimaci´on de g´enero utilizando im´agenes directamente del detector de caras. En la fila uno de la Tabla 4.5 mostramos los resultados del entrenamiento del clasificador de g´enero sobre im´agenes desalineadas (im´agenes obtenidas directamente desde el detector de caras). De los resultados obtenidos podemos observar que para el caso de im´agenes de caras “casi” frontales (caras no alineadas pertenecientes a losclusters: 0, 1 y 2) los resultados son m´as bien modestos, entre el 1 % y 2 %. Sin embargo, observamos una importante mejora de las tasas de acierto, entre un 3 % y 4 %, de
92 Dependencias entre atributos faciales
Experimento/Pose 0 1 2 3 4 5 T.Global
G´enero×Pose 75,70 % 79,92 % 77,10 % 77,73 % 77,02 % 78,90 % 77,89 %
±1,37 ±1,24 ±1,84 ±1,19 ±1,16 ±1,36 ±0,33 Tabla 4.5: Tasa de acierto de los AP para G´enero×Pose con validaci´on cruzada 5- fold y base de datos GROUPS. Las primeras seis columnas muestran los resultados de g´enero para los seis grupos de poses obtenidos por medio de K-Means. La ´ultima columna muestra el promedio de la tasa de acierto para g´enero. Las desviaciones est´andar se presentan mediante el s´ımbolo±.
aquellos clusters donde existen grandes variaciones de la orientaci´on de la cara. El resultado es que se ha logrado mejorar el reconocimiento de g´enero para los casos que generalmente son m´as complicados de predecir sin una alineaci´on previa (ya sea autom´atica o manual).
GROUPS/LFW GROUPS/LFW(sin ni˜nos)
G´enero 77,95 % 78,33 %
G´enero×Pose 79,11 % 79,53 %
Tabla 4.6: Experimentos de cruce de bases de datos sobre g´enero y pose, entrenado sobreGROUPSy probado sobreLFW. La primera columna muestra los resultados sobre el clasificador de g´enero. La segunda fila ense˜na los resultados utilizando un Powerset para Genero´ ×P ose. La tercera columna muestra los resultados cuando entrenamos con las im´agenes deGROUPSsin utilizar los rangos de edad de ni˜nos (grupos 0-2, 3-7 y 8-12 a˜nos).
En la misma forma, los experimentos entre base de datos muestran las capaci- dades de generalizaci´on del procedimiento Powerset de atributos. Para esto, entre- namos con la base datos GROUPS y validamos con la base de datosLFW, ya que esta tambi´en posee im´agenes del “mundo real” pero con un n´umero limitado de rangos de edad (solo adultos). En la columna GROUPS/LFW de la Tabla 4.6, mostramos la tasa de acierto obtenidas en las pruebas. De nuevo, el clasificador entrenado con atributos de Genero´ ×P oselogra mejores resultados que solo utilizando el atributo deGenero´ . Esto confirma que los resultados obtenidos previamente con otras bases de datos.
Como es bien conocido, la estimaci´on del g´enero en ni˜nos es un problema dif´ıcil debido a la poca variabilidad de apariencia que existe entre un ni˜no o una ni˜na. Por lo tanto, las caras de los ni˜nos pueden ser consideradas como ruido para la ejecuci´on
4.3 Experimentos 93 de algoritmos para el reconocimiento del g´enero. En los ´ultimos experimentos proba- mos nuestros clasificadores eliminando las caras de ni˜nos. Los experimentos se han realizado entrenando con GROUPS sin considerar los rangos de edad comprendidos entre: 0−2, 3−7 y 8−12 a˜nos. La Tabla 4.7 muestras las mejoras obtenidas para el reconocimiento de g´enero, donde se observa una clara mejora, sobre el 2 %, com- parado con los experimentos donde se utiliz´o la base de datos con todas las caras. Por otro lado, el considerar la alineaci´on para la clasificaci´on de g´enero mejora los resultados de esta sobre el que utiliza solo el atributo de g´enero en m´as del 2 %. Sin embargo, en los experimentos de cruce de bases de datos (ver tercera columna en la Tabla 4.6) los resultados de ambos experimentos (con y sin ni˜nos) son equivalentes, esto se debe a que la base de datos LFWno tiene ni˜nos.
0 1 2 3 4 5 Global
G´enero 74,43 % 82,91 % 78,47 % 76,77 % 75,80 % 80,19 % 78,49 %
±2,54 ±0,93 ±2,02 ±1,68 ±1,22 ±0,63 ±0,61 G´enero×Pose 77,71 % 84,15 % 78,80 % 81,56 % 80,06 % 81,16 % 80,53 %
±1,23 ±1,08 ±2,27 ±0,84 ±1,75 ±1,33 ±0,63 Tabla 4.7: Tasa de acierto para g´enero utilizando validaci´on cruzada 5-fold en expe- rimentos sobre GROUPS sin ni˜nos con im´agenes detectadas sin alinear. La primera fila muestra los resultados para clasificaci´on de g´enero entrenado con im´agenes de todas las posiciones 2D sin alinear. La segunda fila presenta los resultados obtenidos con Powerset conGenero´ ×P ose. Las primeras seis columnas despliegan los resulta- dos de las seis clases sin alinear. La ´ultima columna muestra el promedio de la tasa de acierto sobre g´enero utilizando validaci´on cruzada. Las desviaciones est´andar se presentan mediante el s´ımbolo ±.