본 논문의 MegaFace2 Dataset을 만드는 과정에서 라벨링을 위한 클러스터링 작업 일부를 차용할 예정.

​

​

​

​

Clustering Algorithm

1. Face graph 초기화

2. N x N binary matrix 생성. N은 number of faces, (i,j)번째 원소는 face i 와 face j 가 동일인물(Same identity)인지 표시함(= linking i and j)

3. average pairwise euclidean distance D를 계산

4. i와 j 사이의 distance < βD 이고 연결되어있지 않다면, edge 추가

5. connected components C 얻기

6. 모든 c_i에 대해서, connected components의 크기가 Z보다 작다면, identity가 되기에는 너무 작다고 판단하여 그래프에서 제거함.

7. 남아있는 connected components를 클러스터로 저장함.

​

​

Cluster Optimization

​

Impure Cluster Detection

• Garbage 클러스터의 average pairwise distance가 높음.

• 조금의 노이즈를 포함한 순수 클러스터의 average pairwise distance도 높음.

→ average pairwise distance is not resistant to outliers

• Computing outliers

  • Median Absolute Deviation(MAD)

  -MAD(X) = Median(X’) ( X’ is the vector of absolute deviations from the median)

• 클러스터 C의 모든 원소 c_i에 대해서 d_i가 다음조건을 만족하면 impure하다고 판단한다.

Inner-Cluster Purification

• 클러스터가 impure하다고 판단된 경우, noise를 제거해야함.

• 특정 클러스터 c_k의 distance matrix d_k를 생성.

  • d_k의 (i,j) 원소는 face i와 face j 의 특징벡터 사이의 l2 distance를 말함.

  • row-wise summation으로 벡터 v를 생성함. 벡터 v는 얼마나 distance에 기여를 했는지 나타냄.

• 벡터 v_i가 다음 조건을 만족하면 outlier라고 판단하여 제거한다.

• Inner-cluster purification 후에는 다시 Impure cluster detection을 하여 여전히 impure cluster가 존재하는지 확인함.

​

활용방법

• impurity를 판단하는 기준을 역으로 활용하여, purity한 클러스터를 찾는 방법으로 바꾼다.

• 각 클러스터의 average pairwise distance를 구하고, 위의 조건식에서 α보다 작은 경우 pure cluster라고 간주.

• pure cluster중 average pairwise distance가 작은 순으로 소팅

박나깨

저는 Deep Learning, Computer Vision, AI, Image Processing에 관심이 있는 학생입니다.