論文の概要: Deep Metric Structured Learning For Facial Expression Recognition

• arxiv url: http://arxiv.org/abs/2001.06612v2
• Date: Thu, 6 Jan 2022 03:31:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 05:11:05.055565
• Title: Deep Metric Structured Learning For Facial Expression Recognition
• Title（参考訳）: 表情認識のためのDeep Metric Structured Learning
• Authors: Pedro D. Marrero Fernandez, Tsang Ing Ren, Tsang Ing Jyh, Fidel A. Guerrero Pe\~na, Alexandre Cunha
• Abstract要約: 本研究では,よく定義された構造を持つ組込み部分空間を作成するための深度計量学習モデルを提案する。 これらの部分空間を作成するために、出力空間上にガウス構造を課す新しい損失関数が導入された。 学習した埋め込みは,表現検索や感情認識など,様々な応用に有効であることが実験的に実証された。
• 参考スコア（独自算出の注目度）: 58.7528672474537
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a deep metric learning model to create embedded sub-spaces with a well defined structure. A new loss function that imposes Gaussian structures on the output space is introduced to create these sub-spaces thus shaping the distribution of the data. Having a mixture of Gaussians solution space is advantageous given its simplified and well established structure. It allows fast discovering of classes within classes and the identification of mean representatives at the centroids of individual classes. We also propose a new semi-supervised method to create sub-classes. We illustrate our methods on the facial expression recognition problem and validate results on the FER+, AffectNet, Extended Cohn-Kanade (CK+), BU-3DFE, and JAFFE datasets. We experimentally demonstrate that the learned embedding can be successfully used for various applications including expression retrieval and emotion recognition.
• Abstract（参考訳）: 本稿では,構造をよく定義した埋め込み部分空間を作成するための深層メトリック学習モデルを提案する。 ガウス構造を出力空間に課す新しい損失関数を導入してこれらの部分空間を作成し、データの分布を形作る。 ガウス解空間の混合を持つことは、その単純かつよく確立された構造を考えると有利である。 クラス内のクラスを素早く発見し、個々のクラスのセントロイドにおける平均代表者の識別を可能にする。 また,サブクラスを作成するための半教師付き手法を提案する。 本稿では,表情認識問題について,FER+, AffectNet, Extended Cohn-Kanade (CK+), BU-3DFE, JAFFEデータセットによる評価を行った。 表情検索や感情認識など,様々な応用において学習埋め込みが有効であることを実験的に実証した。

関連論文リスト

• Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
  本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。 我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
  論文  参考訳（メタデータ） (2023-10-22T04:06:44Z)
• Combating Mode Collapse in GANs via Manifold Entropy Estimation [70.06639443446545]
  Generative Adversarial Networks (GAN) は、様々なタスクやアプリケーションにおいて魅力的な結果を示している。 GANのモード崩壊問題に対処するための新しいトレーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-08-25T12:33:31Z)
• Class-Specific Semantic Reconstruction for Open Set Recognition [101.24781422480406]
  オープンセット認識により、ディープニューラルネットワーク(DNN)は未知のクラスのサンプルを識別できる。 本稿では,自動エンコーダ(AE)とプロトタイプ学習を統合したCSSR(Class-Specific Semantic Reconstruction)を提案する。 複数のデータセットで実験を行った結果,提案手法は閉集合認識と開集合認識の両方において優れた性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2022-07-05T16:25:34Z)
• Closed-Loop Data Transcription to an LDR via Minimaxing Rate Reduction [27.020835928724775]
  本研究では,実世界のデータセットに対する明示的な生成モデル学習のための新しい計算フレームワークを提案する。 特に,多次元多次元データ分布と特徴空間における線形識別表現(LDR)の間の閉ループ転写を学習することを提案する。 多くのベンチマークデータセットに対する実験は、この新しいクローズドループの定式化の可能性を示している。
  論文  参考訳（メタデータ） (2021-11-12T10:06:08Z)
• Structure-Aware Feature Generation for Zero-Shot Learning [108.76968151682621]
  潜在空間と生成ネットワークの両方を学習する際の位相構造を考慮し,SA-GANと呼ばれる新しい構造認識特徴生成手法を提案する。 本手法は,未確認クラスの一般化能力を大幅に向上させ,分類性能を向上させる。
  論文  参考訳（メタデータ） (2021-08-16T11:52:08Z)
• Learning optimally separated class-specific subspace representations using convolutional autoencoder [0.0]
  サブスペース固有の特徴表現を生成するための新しい畳み込みオートエンコーダアーキテクチャを提案する。 提案手法の有効性を実証するため,最先端の機械学習データセットを用いていくつかの実験を行った。
  論文  参考訳（メタデータ） (2021-05-19T00:45:34Z)
• Switch Spaces: Learning Product Spaces with Sparse Gating [48.591045282317424]
  製品空間における表現を学習するためのデータ駆動アプローチであるswitch spacesを提案する。 我々は空間の選択、結合、切り替えを学習するスパースゲーティング機構を導入する。 知識グラフの補完と項目レコメンデーションの実験により,提案したスイッチ空間が新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-02-17T11:06:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。