論文の概要: Learning Meta Face Recognition in Unseen Domains
- arxiv url: http://arxiv.org/abs/2003.07733v2
- Date: Wed, 25 Mar 2020 04:50:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 21:30:24.695395
- Title: Learning Meta Face Recognition in Unseen Domains
- Title(参考訳): 未知領域におけるメタ顔認識の学習
- Authors: Jianzhu Guo, Xiangyu Zhu, Chenxu Zhao, Dong Cao, Zhen Lei and Stan Z.
Li
- Abstract要約: メタ顔認識(MFR)というメタラーニングを用いた新しい顔認識手法を提案する。
MFRは、メタ最適化目標を用いてソース/ターゲットドメインシフトを合成する。
一般化顔認識評価のためのベンチマークを2つ提案する。
- 参考スコア(独自算出の注目度): 74.69681594452125
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Face recognition systems are usually faced with unseen domains in real-world
applications and show unsatisfactory performance due to their poor
generalization. For example, a well-trained model on webface data cannot deal
with the ID vs. Spot task in surveillance scenario. In this paper, we aim to
learn a generalized model that can directly handle new unseen domains without
any model updating. To this end, we propose a novel face recognition method via
meta-learning named Meta Face Recognition (MFR). MFR synthesizes the
source/target domain shift with a meta-optimization objective, which requires
the model to learn effective representations not only on synthesized source
domains but also on synthesized target domains. Specifically, we build
domain-shift batches through a domain-level sampling strategy and get
back-propagated gradients/meta-gradients on synthesized source/target domains
by optimizing multi-domain distributions. The gradients and meta-gradients are
further combined to update the model to improve generalization. Besides, we
propose two benchmarks for generalized face recognition evaluation. Experiments
on our benchmarks validate the generalization of our method compared to several
baselines and other state-of-the-arts. The proposed benchmarks will be
available at https://github.com/cleardusk/MFR.
- Abstract(参考訳): 顔認識システムは通常、実世界のアプリケーションでは見当たらないドメインに直面し、その一般化が不十分なため不満足な性能を示す。
例えば、Webfaceデータのよく訓練されたモデルは、監視シナリオにおけるID対スポットタスクに対処できない。
本稿では,新しい未確認領域をモデル更新なしで直接処理できる一般化モデルを学習することを目的とする。
そこで本研究では,メタラーニングによる新しい顔認識手法であるmeta face recognition(mfr)を提案する。
MFRは、合成されたソースドメインだけでなく、合成されたターゲットドメイン上でも効果的な表現を学習する必要があるメタ最適化目標を用いてソース/ターゲットドメインシフトを合成する。
具体的には、ドメインレベルのサンプリング戦略を用いてドメインシフトバッチを構築し、マルチドメイン分布を最適化することにより、ソース/ターゲットドメイン上のバックプロパゲート勾配/メタ勾配を得る。
勾配とメタ勾配をさらに組み合わせてモデルを更新し、一般化を改善する。
さらに,一般化顔認識評価のための2つのベンチマークを提案する。
ベンチマーク実験では,いくつかのベースラインや他の最先端手法と比較して,手法の一般化が検証された。
提案されたベンチマークはhttps://github.com/cleardusk/MFRで公開される。
関連論文リスト
- Generalization by Adaptation: Diffusion-Based Domain Extension for
Domain-Generalized Semantic Segmentation [21.016364582994846]
拡散型ドメイン拡張法(DIDEX)を提案する。
拡散モデルを用いて、多様なテキストプロンプトを持つ擬似ターゲットドメインを生成する。
2番目のステップでは、この擬標的領域に適応して一般化モデルを訓練する。
論文 参考訳(メタデータ) (2023-12-04T12:31:45Z) - 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) - Deep face recognition with clustering based domain adaptation [57.29464116557734]
そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。
本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
論文 参考訳(メタデータ) (2022-05-27T12:29:11Z) - Semi-supervised Meta-learning with Disentanglement for
Domain-generalised Medical Image Segmentation [15.351113774542839]
新たなセンター(ここではドメイン)からの新しいデータにモデルを一般化することは、依然として課題である。
本稿では,絡み合いを伴う半教師付きメタラーニングフレームワークを提案する。
提案手法は,異なるセグメンテーションタスクに対して頑健であり,2つの公開ベンチマーク上での最先端の一般化性能を実現する。
論文 参考訳(メタデータ) (2021-06-24T19:50:07Z) - Cluster, Split, Fuse, and Update: Meta-Learning for Open Compound Domain
Adaptive Semantic Segmentation [102.42638795864178]
セマンティックセグメンテーションのための原則的メタラーニングに基づくOCDAアプローチを提案する。
対象ドメインを複数のサブターゲットドメインに,教師なしの方法で抽出した画像スタイルでクラスタリングする。
その後、メタラーニングがデプロイされ、スタイルコードに条件付きでサブターゲットドメイン固有の予測を融合するように学習される。
モデルに依存しないメタラーニング(MAML)アルゴリズムにより,モデルをオンライン更新することを学び,一般化をさらに改善する。
論文 参考訳(メタデータ) (2020-12-15T13:21:54Z) - Learning to Generalize Unseen Domains via Memory-based Multi-Source
Meta-Learning for Person Re-Identification [59.326456778057384]
本稿では,メモリベースのマルチソースメタラーニングフレームワークを提案する。
また,メタテスト機能を多様化するメタバッチ正規化層(MetaBN)を提案する。
実験により、M$3$Lは、目に見えない領域に対するモデルの一般化能力を効果的に向上できることが示された。
論文 参考訳(メタデータ) (2020-12-01T11:38:16Z) - Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to
Unseen Domains [68.73614619875814]
前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。
実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
論文 参考訳(メタデータ) (2020-07-04T07:56:02Z)
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。