論文の概要: Boosting Unconstrained Face Recognition with Auxiliary Unlabeled Data

• arxiv url: http://arxiv.org/abs/2003.07936v2
• Date: Sun, 18 Apr 2021 09:11:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 21:40:37.815831
• Title: Boosting Unconstrained Face Recognition with Auxiliary Unlabeled Data
• Title（参考訳）: Auxiliary Unlabeled Dataによる制約なし顔認識の高速化
• Authors: Yichun Shi, Anil K. Jain
• Abstract要約: 本稿では,ラベルのない顔を用いて一般化可能な顔表現を学習する手法を提案する。 制約のないデータセットに対する実験結果から、十分な多様性を持つ少量のラベル付きデータが認識性能を向上させる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 59.85605718477639
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, significant progress has been made in face recognition, which can be partially attributed to the availability of large-scale labeled face datasets. However, since the faces in these datasets usually contain limited degree and types of variation, the resulting trained models generalize poorly to more realistic unconstrained face datasets. While collecting labeled faces with larger variations could be helpful, it is practically infeasible due to privacy and labor cost. In comparison, it is easier to acquire a large number of unlabeled faces from different domains, which could be used to regularize the learning of face representations. We present an approach to use such unlabeled faces to learn generalizable face representations, where we assume neither the access to identity labels nor domain labels for unlabeled images. Experimental results on unconstrained datasets show that a small amount of unlabeled data with sufficient diversity can (i) lead to an appreciable gain in recognition performance and (ii) outperform the supervised baseline when combined with less than half of the labeled data. Compared with the state-of-the-art face recognition methods, our method further improves their performance on challenging benchmarks, such as IJB-B, IJB-C and IJB-S.
• Abstract（参考訳）: 近年、顔認識において、大規模なラベル付き顔データセットが利用可能であることによる部分的な進歩が認められている。 しかしながら、これらのデータセットの顔は通常、限られた程度と種類のバリエーションを含んでいるため、トレーニングされたモデルは、より現実的な非制約の顔データセットにあまり一般化しない。 ラベル付き顔を大きなバリエーションで集めることは有用であるが、プライバシーと労働コストのために事実上不可能である。 対照的に、異なるドメインから多数のラベルのない顔を得るのが容易であり、顔表現の学習を規則化するのに使うことができる。 本稿では、そのようなラベルのない顔を用いて一般化可能な顔表現を学習し、識別ラベルへのアクセスも、ラベルのない画像のドメインラベルも想定しないアプローチを提案する。 制約のないデータセットに関する実験結果から、十分な多様性を持つ少数のラベルなしデータが得られることが判明した。 (i)認識性能が著しく向上し、 (ii)ラベル付きデータの半分未満と組み合わせた場合、教師付きベースラインよりも優れる。 IJB-B, IJB-C, IJB-Sなどの課題に対して, 現状の顔認識手法と比較して, その性能を向上する。

関連論文リスト

• Bridging the Gaps: Utilizing Unlabeled Face Recognition Datasets to Boost Semi-Supervised Facial Expression Recognition [5.750927184237346]
  我々は、半教師付きFERを高めるために、大きな未ラベルの顔認識(FR)データセットを活用することに重点を置いている。 具体的には,アノテーションを使わずに大規模な顔画像の事前訓練を行う。 ラベル付き画像や多彩な画像の不足を緩和するために、Mixupベースのデータ拡張戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-23T07:26:19Z)
• Segue: Side-information Guided Generative Unlearnable Examples for Facial Privacy Protection in Real World [64.4289385463226]
  生成不可能な例としては、Segue: Side-information guided Generative unlearnable Exampleを提案する。 転送性を向上させるために,真のラベルや擬似ラベルなどの側面情報を導入する。 JPEG圧縮、敵対的トレーニング、およびいくつかの標準的なデータ拡張に抵抗することができる。
  論文  参考訳（メタデータ） (2023-10-24T06:22:37Z)
• How to Boost Face Recognition with StyleGAN? [13.067766076889995]
  最先端の顔認識システムは大量のラベル付きトレーニングデータを必要とする。 業界における自己監督的革命は、関連する技術が顔認識に適応する研究を動機付けている。 StyleGANのための微調整pSpエンコーダに基づく簡単なアプローチにより、最先端の顔認識を改善することができることを示す。
  論文  参考訳（メタデータ） (2022-10-18T18:41:56Z)
• How important are faces for person re-identification? [14.718372669984364]
  顔検出およびぼかしアルゴリズムを適用し、複数の人気人物再識別データセットの匿名化バージョンを作成する。 我々は,この匿名化が標準メトリクスを用いた再識別性能に与える影響を評価する。
  論文  参考訳（メタデータ） (2020-10-13T11:47:16Z)
• BroadFace: Looking at Tens of Thousands of People at Once for Face Recognition [21.48535041822524]
  BroadFaceは、膨大なIDを包括的に検討する学習プロセスである。 BroadFaceでは、線形分類器は過去の繰り返しに蓄積された多数の埋め込みベクトルからアイデンティティ間の最適決定境界を学習する。 BroadFaceは、9つのデータセットを1:1の顔認証と1:Nの顔識別タスクで大幅に改善し、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2020-08-15T08:17:25Z)
• Adversarial Knowledge Transfer from Unlabeled Data [62.97253639100014]
  本稿では,インターネット規模の未ラベルデータから知識を伝達し,分類器の性能を向上させるための新しいAdversarial Knowledge Transferフレームワークを提案する。 我々の手法の重要な新しい側面は、ラベル付けされていないソースデータは、ラベル付けされたターゲットデータと異なるクラスであることができ、個別のプリテキストタスクを定義する必要がないことである。
  論文  参考訳（メタデータ） (2020-08-13T08:04:27Z)
• Improving Face Recognition by Clustering Unlabeled Faces in the Wild [77.48677160252198]
  極値理論に基づく新しいアイデンティティ分離法を提案する。 重なり合うラベルノイズによる問題を大幅に低減する。 制御された設定と実際の設定の両方の実験は、我々のメソッドの一貫性のある改善を示している。
  論文  参考訳（メタデータ） (2020-07-14T12:26:50Z)
• Enhancing Facial Data Diversity with Style-based Face Aging [59.984134070735934]
  特に、顔データセットは、通常、性別、年齢、人種などの属性の観点からバイアスされる。 本稿では, 細粒度の老化パターンをキャプチャするデータ拡張のための, 生成スタイルに基づく新しいアーキテクチャを提案する。 提案手法は, 年齢移動のための最先端アルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-06T21:53:44Z)
• Dataset Cleaning -- A Cross Validation Methodology for Large Facial Datasets using Face Recognition [0.40611352512781856]
  近年、顔検出、顔認識、その他のタスクの進歩を促進するために、大規模な「野生の」顔データセットがリリースされた。 これらのデータセットの収集方法が自動的であり、そのサイズが大きいため、多くのIDフォルダにはデータセットの品質を劣化させる間違ったラベル付きサンプルが含まれている。 本研究では,音声認識を用いて,ノイズの多い顔データセットを半自動で浄化する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-24T13:01:13Z)
• Towards Universal Representation Learning for Deep Face Recognition [106.21744671876704]
  対象のドメイン知識を活用せずに、与えられたトレーニングデータに見つからない大きな変化に対処できる普遍的な表現学習フレームワークを提案する。 実験により,LFW や MegaFace などの一般的な顔認識データセットにおいて,本手法が最高性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-02-26T23:29:57Z)

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。