論文の概要: Relational Deep Feature Learning for Heterogeneous Face Recognition

• arxiv url: http://arxiv.org/abs/2003.00697v3
• Date: Tue, 14 Jul 2020 11:06:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 05:13:48.377665
• Title: Relational Deep Feature Learning for Heterogeneous Face Recognition
• Title（参考訳）: 不均一顔認識のための関係深い特徴学習
• Authors: MyeongAh Cho, Taeoh Kim, Ig-Jae Kim, Kyungjae Lee, and Sangyoun Lee
• Abstract要約: 一般的な顔の特徴に加えて,グローバルな関係情報を抽出するグラフモジュール (Graph Module, NIR) を提案する。 提案手法は,5つの異種顔認識(HFR)データベースにおいて,他の最先端手法よりも優れている。
• 参考スコア（独自算出の注目度）: 17.494718795454055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heterogeneous Face Recognition (HFR) is a task that matches faces across two different domains such as visible light (VIS), near-infrared (NIR), or the sketch domain. Due to the lack of databases, HFR methods usually exploit the pre-trained features on a large-scale visual database that contain general facial information. However, these pre-trained features cause performance degradation due to the texture discrepancy with the visual domain. With this motivation, we propose a graph-structured module called Relational Graph Module (RGM) that extracts global relational information in addition to general facial features. Because each identity's relational information between intra-facial parts is similar in any modality, the modeling relationship between features can help cross-domain matching. Through the RGM, relation propagation diminishes texture dependency without losing its advantages from the pre-trained features. Furthermore, the RGM captures global facial geometrics from locally correlated convolutional features to identify long-range relationships. In addition, we propose a Node Attention Unit (NAU) that performs node-wise recalibration to concentrate on the more informative nodes arising from relation-based propagation. Furthermore, we suggest a novel conditional-margin loss function (C-softmax) for the efficient projection learning of the embedding vector in HFR. The proposed method outperforms other state-of-the-art methods on five HFR databases. Furthermore, we demonstrate performance improvement on three backbones because our module can be plugged into any pre-trained face recognition backbone to overcome the limitations of a small HFR database.
• Abstract（参考訳）: Heterogeneous Face Recognition (HFR)は、可視光(VIS)、近赤外線(NIR)、スケッチ領域などの2つの異なる領域の顔にマッチするタスクである。 データベースがないため、HFR法は通常、一般的な顔情報を含む大規模視覚データベースの事前訓練された特徴を利用する。 しかし、これらの事前訓練された特徴は、視覚領域とのテクスチャの相違による性能劣化を引き起こす。 そこで本研究では,汎用的な顔特徴に加えて,グローバルリレーショナル情報を抽出するリレーショナルグラフモジュール (rgm) を提案する。 各アイデンティティの界面部分間の関係情報はどんなモダリティでも似ているため、特徴間のモデリング関係はドメイン間のマッチングに役立つ。 RGMを通して、関係伝播は事前訓練された特徴から利点を失うことなくテクスチャ依存性を減少させる。 さらに、RGMは、局所的に相関した畳み込み特徴からグローバルな顔幾何学を捉え、長距離関係を識別する。 さらに,ノードワイズ・リカレーションを行うノード注意ユニット(NAU)を提案する。 さらに,HFRにおける埋め込みベクトルの効率的な投影学習のための条件付きマージン損失関数(C-softmax)を提案する。 提案手法は5つのHFRデータベース上での最先端手法よりも優れている。 さらに,我々のモジュールを任意のトレーニング済みの顔認識バックボーンにプラグインすることで,小さなHFRデータベースの制限を克服し,3つのバックボーンの性能向上を実証する。

関連論文リスト

• UGMAE: A Unified Framework for Graph Masked Autoencoders [67.75493040186859]
  グラフマスク付きオートエンコーダのための統一フレームワークであるUGMAEを提案する。 まず,ノードの特異性を考慮した適応型特徴マスク生成器を開発した。 次に,階層型構造再構成と特徴再構成を併用し,総合的なグラフ情報を取得する。
  論文  参考訳（メタデータ） (2024-02-12T19:39:26Z)
• Rethinking the Domain Gap in Near-infrared Face Recognition [65.7871950460781]
  不均一顔認識(HFR)は、視覚領域(VIS)と近赤外領域(NIR)にまたがる複雑な顔画像マッチング作業を伴う。 HFRに関する既存の文献の多くは、ドメインギャップを主要な課題と認識し、それを入力レベルまたは機能レベルでブリッジする取り組みを指示している。 大規模同質なVISデータで事前トレーニングを行った場合、大規模ニューラルネットワークはより小さなニューラルネットワークとは異なり、HFRでは例外的なゼロショット性能を示す。
  論文  参考訳（メタデータ） (2023-12-01T14:43:28Z)
• Trading-off Mutual Information on Feature Aggregation for Face Recognition [12.803514943105657]
  本稿では、2つの最先端(SOTA)深層顔認識(FR)モデルの出力を集約する手法を提案する。 提案手法では,2つの特徴写像の異なる部分間の関係を利用するために,変圧器の注意機構を利用する。 提案手法の有効性を評価するため,一般的なベンチマーク実験を行い,その結果を最先端のアルゴリズムと比較した。
  論文  参考訳（メタデータ） (2023-09-22T18:48:38Z)
• NIR-to-VIS Face Recognition via Embedding Relations and Coordinates of the Pairwise Features [5.044100238869375]
  顔認識モデルに簡単に追加可能な'Relation Module'を提案する。 顔画像から抽出された局所特徴は、顔の各成分の情報を含む。 提案モジュールでは14.81%のランク-1精度と15.47%の検証率で0.1%のFAR改善を実現した。
  論文  参考訳（メタデータ） (2022-08-04T02:53:44Z)
• G$^2$DA: Geometry-Guided Dual-Alignment Learning for RGB-Infrared Person Re-Identification [3.909938091041451]
  RGB-IRの人物再識別は、異種間の興味のある人物を検索することを目的としている。 本稿では,サンプルレベルのモダリティ差に対処するための幾何誘導デュアルアライメント学習フレームワーク(G$2$DA)を提案する。
  論文  参考訳（メタデータ） (2021-06-15T03:14:31Z)
• A-FMI: Learning Attributions from Deep Networks via Feature Map Importance [58.708607977437794]
  勾配に基づくアトリビューション法は畳み込みニューラルネットワーク(CNN)の理解を助けることができる 帰属特徴の冗長性と勾配飽和問題は、帰属方法がまだ直面する課題である。 本稿では,各特徴マップの寄与度を高めるための新しい概念,特徴マップ重要度 (FMI) と,勾配飽和問題に対処するためのFMIによる新しい帰属法を提案する。
  論文  参考訳（メタデータ） (2021-04-12T14:54:44Z)
• Cross-Domain Facial Expression Recognition: A Unified Evaluation Benchmark and Adversarial Graph Learning [85.6386289476598]
  我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。 我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-03T15:00:31Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。