論文の概要: Salient Facial Features from Humans and Deep Neural Networks
- arxiv url: http://arxiv.org/abs/2003.08765v1
- Date: Sun, 8 Mar 2020 22:41:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 14:32:46.331681
- Title: Salient Facial Features from Humans and Deep Neural Networks
- Title（参考訳）: 人間とディープニューラルネットの視覚的特徴
- Authors: Shanmeng Sun, Wei Zhen Teoh, Michael Guerzhoy
- Abstract要約: 顔の分類に人間や畳み込みニューラルネットワーク(ConvNet)が利用する特徴について検討する。
我々は、特定の個人を特定する際に最もConvNetの出力に影響を与える顔の特徴を可視化するために、ガイドバックプロパゲーション(GB)を使用する。
- 参考スコア（独自算出の注目度）: 2.5211876507510724
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we explore the features that are used by humans and by
convolutional neural networks (ConvNets) to classify faces. We use Guided
Backpropagation (GB) to visualize the facial features that influence the output
of a ConvNet the most when identifying specific individuals; we explore how to
best use GB for that purpose. We use a human intelligence task to find out
which facial features humans find to be the most important for identifying
specific individuals. We explore the differences between the saliency
information gathered from humans and from ConvNets.
Humans develop biases in employing available information on facial features
to discriminate across faces. Studies show these biases are influenced both by
neurological development and by each individual's social experience. In recent
years the computer vision community has achieved human-level performance in
many face processing tasks with deep neural network-based models. These face
processing systems are also subject to systematic biases due to model
architectural choices and training data distribution.
- Abstract（参考訳）: 本研究では,人間や畳み込みニューラルネットワーク(ConvNet)が顔の分類に用いている特徴について検討する。
私たちは、特定の個人を特定する際に最もConvNetの出力に影響を与える顔の特徴を可視化するために、ガイド付きバックプロパゲーション(GB)を使用します。
私たちは、人間の知性タスクを使用して、特定の個人を特定する上で最も重要な顔の特徴を見つけます。
本研究では,人間とConvNetsから収集した情報の違いについて検討する。
人間は顔の特徴に関する利用可能な情報を使用して顔を識別するバイアスを発生させる。
研究によると、これらのバイアスは神経学的発達と個人の社会経験に影響されている。
近年、コンピュータビジョンコミュニティは、ディープニューラルネットワークベースのモデルを用いた多くの顔処理タスクにおいて、人間レベルのパフォーマンスを達成した。
これらの顔処理システムは、モデルアーキテクチャの選択とデータ分散の訓練により、体系的なバイアスを受ける。
関連論文リスト
- Evaluating alignment between humans and neural network representations in image-based learning tasks [5.657101730705275]
トレーニング済みの860ドルのニューラルネットワークモデルの表現が、人間の学習軌跡にどのようにマッピングされているかテストしました。
トレーニングデータセットのサイズは人間の選択に沿った中核的な決定要因であるのに対し、マルチモーダルデータ(テキストと画像)による対照的なトレーニングは、人間の一般化を予測するために現在公開されているモデルの一般的な特徴であることがわかった。
結論として、事前訓練されたニューラルネットワークは、タスク間で伝達可能な認知の基本的な側面を捉えているように見えるため、認知モデルのための表現を抽出するのに役立つ。
論文 参考訳（メタデータ） (2023-06-15T08:18:29Z) - CIAO! A Contrastive Adaptation Mechanism for Non-Universal Facial
Expression Recognition [80.07590100872548]
本稿では、顔エンコーダの最後の層に異なるデータセットの特定の感情特性を適応させるメカニズムであるContrastive Inhibitory Adaptati On(CIAO)を提案する。
CIAOは、非常にユニークな感情表現を持つ6つの異なるデータセットに対して、表情認識性能が改善されている。
論文 参考訳（メタデータ） (2022-08-10T15:46:05Z) - Guiding Visual Attention in Deep Convolutional Neural Networks Based on
Human Eye Movements [0.0]
ディープ畳み込みニューラルネットワーク(DCNN)は、当初は生物学的ビジョンの原理にインスパイアされていた。
近年のディープラーニングの進歩は、この類似性を減らしているようだ。
有用なモデルを得るための純粋にデータ駆動型アプローチについて検討する。
論文 参考訳（メタデータ） (2022-06-21T17:59:23Z) - The world seems different in a social context: a neural network analysis
of human experimental data [57.729312306803955]
本研究では,先行・知覚的信号の精度を変化させることで,個人・社会的タスク設定の両方で人間の行動データを再現可能であることを示す。
トレーニングされたネットワークの神経活性化トレースの分析は、情報が個人や社会的条件のネットワークにおいて、根本的に異なる方法でコード化されていることを示す。
論文 参考訳（メタデータ） (2022-03-03T17:19:12Z) - Evaluation of Human and Machine Face Detection using a Novel Distinctive
Human Appearance Dataset [0.76146285961466]
画像中の顔を検出する能力において,現在最先端の顔検出モデルを評価する。
評価結果から,顔検出アルゴリズムは多様な外観に適さないことが示された。
論文 参考訳（メタデータ） (2021-11-01T02:20:40Z) - Facial Expressions Recognition with Convolutional Neural Networks [0.0]
ニューラルネットワークを利用して表情認識システム(FER)を実装する。
我々は、追加のトレーニングデータを用いることなく、FER2013データセット上で、最先端のシングルネットワーク精度の70.10%を実証する。
論文 参考訳（メタデータ） (2021-07-19T06:41:00Z) - Pre-training strategies and datasets for facial representation learning [58.8289362536262]
いくつかの顔分析タスクやデータセットに適用可能な普遍的な顔表現の探索方法を示す。
顔に適応する2つの大規模表現学習を体系的に検討する。
私たちの主な2つの発見は以下の通りです: 完全にインザワイルドな未処理データに対する教師なし事前トレーニングは一貫性を提供し、場合によっては大幅な精度向上をもたらします。
論文 参考訳（メタデータ） (2021-03-30T17:57:25Z) - FusiformNet: Extracting Discriminative Facial Features on Different
Levels [0.0]
顔の特徴を識別する特徴抽出フレームワークFusiformNetを提案する。
FusiformNetは、外部データ、画像拡張、正規化、特別な損失関数をラベル付けせずに96.67%の最先端の精度を達成した。
一般的な特徴と局所的な特徴の両方を抽出できる能力を考えると、FusiformNetの機能は顔認識に限らず、他のDNNベースのタスクにも拡張される可能性がある。
論文 参考訳（メタデータ） (2020-11-01T18:00:59Z) - The FaceChannelS: Strike of the Sequences for the AffWild 2 Challenge [80.07590100872548]
AffWild2データセットの表情から、私たちの小さなモデルがどのように感情情報を予測できるかを示す。
本稿では、FaceChannelニューラルネットワークの異なるバージョンをベンチマークするもう1つの章を示す。
論文 参考訳（メタデータ） (2020-10-04T12:00:48Z) - The FaceChannel: A Fast & Furious Deep Neural Network for Facial
Expression Recognition [71.24825724518847]
顔の表情の自動認識(FER)の最先端モデルは、非常に深いニューラルネットワークに基づいており、訓練には効果的だがかなり高価である。
私たちは、一般的なディープニューラルネットワークよりもはるかに少ないパラメータを持つ軽量ニューラルネットワークであるFaceChannelを形式化します。
我々は、私たちのモデルがFERの現在の最先端技術に匹敵するパフォーマンスを達成する方法を実証する。
論文 参考訳（メタデータ） (2020-09-15T09:25:37Z) - Investigating the Impact of Inclusion in Face Recognition Training Data
on Individual Face Identification [93.5538147928669]
最新のオープンソースの顔認識システムであるArcFaceを、100万枚以上の散らばった画像を用いた大規模な顔識別実験で監査する。
モデルのトレーニングデータには79.71%、存在しない人には75.73%のランク1顔認証精度がある。
論文 参考訳（メタデータ） (2020-01-09T15:50:28Z)
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。