論文の概要: Single Unit Status in Deep Convolutional Neural Network Codes for Face Identification: Sparseness Redefined

• arxiv url: http://arxiv.org/abs/2002.06274v2
• Date: Sun, 1 Mar 2020 09:58:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-01 04:13:29.481433
• Title: Single Unit Status in Deep Convolutional Neural Network Codes for Face Identification: Sparseness Redefined
• Title（参考訳）: 顔識別のための深部畳み込みニューラルネットワーク符号における単一単位状態:スパースネス再定義
• Authors: Connor J. Parde, Y. Ivette Col\'on, Matthew Q. Hill, Carlos D. Castillo, Prithviraj Dhar, Alice J. O'Toole
• Abstract要約: 顔識別のために訓練されたディープ畳み込みニューラルネットワーク(DCNN)は、可変イメージを一般化する表現を開発する。 顔認証ネットワークの「神経ユニット」と「アンサンブルレベル」において、アイデンティティ、性別、視点コードについて検討した。
• 参考スコア（独自算出の注目度）: 1.089584862512673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep convolutional neural networks (DCNNs) trained for face identification develop representations that generalize over variable images, while retaining subject (e.g., gender) and image (e.g., viewpoint) information. Identity, gender, and viewpoint codes were studied at the "neural unit" and ensemble levels of a face-identification network. At the unit level, identification, gender classification, and viewpoint estimation were measured by deleting units to create variably-sized, randomly-sampled subspaces at the top network layer. Identification of 3,531 identities remained high (area under the ROC approximately 1.0) as dimensionality decreased from 512 units to 16 (0.95), 4 (0.80), and 2 (0.72) units. Individual identities separated statistically on every top-layer unit. Cross-unit responses were minimally correlated, indicating that units code non-redundant identity cues. This "distributed" code requires only a sparse, random sample of units to identify faces accurately. Gender classification declined gradually and viewpoint estimation fell steeply as dimensionality decreased. Individual units were weakly predictive of gender and viewpoint, but ensembles proved effective predictors. Therefore, distributed and sparse codes co-exist in the network units to represent different face attributes. At the ensemble level, principal component analysis of face representations showed that identity, gender, and viewpoint information separated into high-dimensional subspaces, ordered by explained variance. Identity, gender, and viewpoint information contributed to all individual unit responses, undercutting a neural tuning analogy for face attributes. Interpretation of neural-like codes from DCNNs, and by analogy, high-level visual codes, cannot be inferred from single unit responses. Instead, "meaning" is encoded by directions in the high-dimensional space.
• Abstract（参考訳）: 顔識別のために訓練された深層畳み込みニューラルネットワーク(dcnn)は、対象(性別など)と画像(視点など)情報を保持しながら、可変イメージを一般化する表現を開発する。 顔識別ネットワークの「ニューラルユニット」とアンサンブルレベルにおいて、アイデンティティー、性別、視点符号について検討した。 単位レベルでは、識別、性別分類、視点推定を削除により測定し、トップネットワーク層に可変サイズ、ランダムにサンプリングされた部分空間を作成する。 寸法が 512 単位から 16 (0.95), 4 (0.80), 2 (0.72) 単位に減少したため, 3,531 単位の同定は高いままであった。 個々のアイデンティティは、各上位層のユニットで統計的に分離される。 クロスユニット応答は最小限に相関しており、単位が非冗長なアイデンティティーキューをコードしていることを示している。 この"分散"コードは、顔を正確に識別するために、ばらばらでランダムなユニットのサンプルだけを必要とする。 性別分類は徐々に低下し、次元が減少するにつれて視点推定は急落した。 個々のユニットは性別や視点が弱いが、アンサンブルは効果的な予測を証明した。 したがって、分散およびスパース符号は、異なる顔属性を表現するためにネットワーク単位に共存する。 アンサンブルレベルでは, 顔表現の主成分分析により, 同一性, 性別, 視点情報を高次元部分空間に分割し, 説明分散により順序付けした。 アイデンティティ、性別、ビューポイント情報は、すべての個々のユニット応答に寄与し、顔属性のニューラルネットワークチューニングアナロジーを損なう。 DCNNからのニューラルライクなコードや、アナログ、高レベルな視覚的コードの解釈は、単一の単位応答から推測することはできない。 代わりに、"meaning" は高次元空間の方向によって符号化される。

関連論文リスト

• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Mitigating Gender Bias in Face Recognition Using the von Mises-Fisher Mixture Model [7.049738935364298]
  本研究では,ディープ顔認識ネットワークの性別バイアスについて検討する。 幾何学的考察により、新しいポストプロセッシング手法により性別バイアスを緩和する。 実際、様々なデータセットに関する広範な数値実験は、慎重に選択することで性バイアスが大幅に減少することを示している。
  論文  参考訳（メタデータ） (2022-10-24T23:53:56Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Interpreting Face Inference Models using Hierarchical Network Dissection [10.852613235927958]
  階層的ネットワーク分割(Hierarchical Network Dissection)は、顔中心推論モデルの内部表現を解釈するパイプラインである。 私たちのパイプラインは、オブジェクト中心およびシーン中心モデルの一般的な解釈可能性モデルであるNetwork Dissectionにインスパイアされています。
  論文  参考訳（メタデータ） (2021-08-23T18:52:47Z)
• Redundant representations help generalization in wide neural networks [71.38860635025907]
  様々な最先端の畳み込みニューラルネットワークの最後に隠された層表現について検討する。 最後に隠された表現が十分に広ければ、そのニューロンは同一の情報を持つグループに分裂し、統計的に独立したノイズによってのみ異なる傾向にある。
  論文  参考訳（メタデータ） (2021-06-07T10:18:54Z)
• EigenGAN: Layer-Wise Eigen-Learning for GANs [84.33920839885619]
  EigenGANは、異なる発電機層から解釈可能で制御可能な寸法を無監督にマイニングすることができます。 特定の固有次元の係数をトラバースすることで、ジェネレータは特定の意味属性に対応する連続的な変化を伴うサンプルを生成することができる。
  論文  参考訳（メタデータ） (2021-04-26T11:14:37Z)
• Quantitative Effectiveness Assessment and Role Categorization of Individual Units in Convolutional Neural Networks [23.965084518584298]
  画像分類タスクにおけるcnnの単一単位の現状と有用性を定量的に解明する手法を提案する。 本手法の技術的根拠は, 特定のエントロピーの計算に基づく分類における各クラスにおける単位の重要性をランク付けすることである。 すべてのネットワークユニットは、トレーニングとテストデータのパフォーマンスに応じて4つのカテゴリに分類される。
  論文  参考訳（メタデータ） (2021-03-17T15:18:18Z)
• Regional Attention Network (RAN) for Head Pose and Fine-grained Gesture Recognition [9.131161856493486]
  本研究では,CNN(Convolutional Neural Network) である RAN (End-to-end textbfRegional Attention Network) を提案する。 我々の領域は1つ以上の連続した細胞から構成されており、HOG(Histogram of Oriented Gradient)ディスクリプタの計算に使用される戦略に適応している。 提案手法は、異なる指標のかなりの差で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-01-17T10:14:28Z)
• Understanding the Role of Individual Units in a Deep Neural Network [85.23117441162772]
  本稿では,画像分類と画像生成ネットワーク内の隠れ単位を系統的に同定する分析フレームワークを提案する。 まず、シーン分類に基づいて訓練された畳み込みニューラルネットワーク(CNN)を分析し、多様なオブジェクト概念にマッチするユニットを発見する。 第2に、シーンを生成するために訓練されたGANモデルについて、同様の分析手法を用いて分析する。
  論文  参考訳（メタデータ） (2020-09-10T17:59:10Z)
• Hierarchical nucleation in deep neural networks [67.85373725288136]
  我々は,いくつかの最先端DCNにおいて,隠れた層にまたがるImageNetデータセットの確率密度の進化について検討した。 初期層は, 分類に無関係な構造を排除し, 一様確率密度を生成する。 その後の層では、密度ピークは階層的な方法で発生し、概念のセマンティック階層を反映する。
  論文  参考訳（メタデータ） (2020-07-07T14:42:18Z)

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。