論文の概要: Child Face Age-Progression via Deep Feature Aging
- arxiv url: http://arxiv.org/abs/2003.08788v1
- Date: Tue, 17 Mar 2020 23:03:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 21:39:32.209262
- Title: Child Face Age-Progression via Deep Feature Aging
- Title(参考訳): 深部特徴型老化による小児顔の発達促進
- Authors: Debayan Deb, Divyansh Aggarwal, Anil K. Jain
- Abstract要約: 本稿では,顔マーカによって出力される深層顔の特徴を経時変化させる機能老化モジュールを提案する。
提案手法は、ランク1の識別率95.91%で最先端の手法よりも優れている。
- 参考スコア(独自算出の注目度): 47.74474569938014
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Given a gallery of face images of missing children, state-of-the-art face
recognition systems fall short in identifying a child (probe) recovered at a
later age. We propose a feature aging module that can age-progress deep face
features output by a face matcher. In addition, the feature aging module guides
age-progression in the image space such that synthesized aged faces can be
utilized to enhance longitudinal face recognition performance of any face
matcher without requiring any explicit training. For time lapses larger than 10
years (the missing child is found after 10 or more years), the proposed
age-progression module improves the closed-set identification accuracy of
FaceNet from 16.53% to 21.44% and CosFace from 60.72% to 66.12% on a child
celebrity dataset, namely ITWCC. The proposed method also outperforms
state-of-the-art approaches with a rank-1 identification rate of 95.91%,
compared to 94.91%, on a public aging dataset, FG-NET, and 99.58%, compared to
99.50%, on CACD-VS. These results suggest that aging face features enhances the
ability to identify young children who are possible victims of child
trafficking or abduction.
- Abstract(参考訳): 行方不明の子供の顔画像のギャラリーが与えられると、最先端の顔認識システムは、後年回復した子供(プロ)を識別するのに不足する。
顔マッチング装置によって出力される深部顔特徴を老化できる機能老化モジュールを提案する。
また、老化顔合成画像空間における老化促進をガイドし、明示的なトレーニングを必要とせず、任意の顔マッチング者の縦顔認識性能を向上させる。
10年以上の時間経過(行方不明児は10年以上後に見つかる)のため、提案された年齢差モジュールはFaceNetのクローズドセットの識別精度を16.53%から21.44%に改善し、CosFaceは60.72%から66.12%に改善した。
提案手法は,一般の高齢化データセットでは94.91%,fg-netでは99.58%,cacd-vsでは99.50%という,最先端のアプローチを95.91%のランク1識別率で上回っている。
これらの結果から,高齢化は,子どもの人身売買や誘拐の被害者となる可能性がある幼児を識別する能力を高めることが示唆された。
関連論文リスト
- Young Labeled Faces in the Wild (YLFW): A Dataset for Children Faces
Recognition [0.0]
子どもの顔認識のためのベンチマークデータセットを,LFW, CALFW, CPLFW, XQLFW, AgeDBといった有名な顔認識ベンチマークと同様にコンパイルする。
また、子供の顔画像に顔認識モデルを適用するための開発データセットも提示する。
論文 参考訳(メタデータ) (2023-01-13T22:19:44Z) - When Age-Invariant Face Recognition Meets Face Age Synthesis: A
Multi-Task Learning Framework and A New Benchmark [45.31997043789471]
MTLFaceは、モデル解釈のための表情合成を行いながら、年齢不変の識別関連表現を顔認識のために学習することができる。
我々は、年齢と性別のアノテーションを備えた大規模な顔データセットと、長寿児の追跡に特化して設計された新しいベンチマークをリリースする。
論文 参考訳(メタデータ) (2022-10-17T07:04:19Z) - Face Recognition In Children: A Longitudinal Study [3.3504365823045044]
幼児の短年齢群における顔認識システムの性能を解析するためのヤングフェイスエイジングデータセットについて紹介する。
以上の結果から,YFAおよびMagFaceを用いた顔認証実験は,6カ月間,36ヵ月間,0.1% FARで98.3%,94.9%のTARを示した。
論文 参考訳(メタデータ) (2022-04-04T18:00:45Z) - FedFace: Collaborative Learning of Face Recognition Model [66.84737075622421]
FedFaceは顔認識モデルの協調学習のためのフレームワークである。
各クライアントに格納された顔画像が、他のクライアントや中央ホストと共有されない、正確で汎用的な顔認識モデルを学ぶ。
コードとトレーニング済みモデルは公開される予定です。
論文 参考訳(メタデータ) (2021-04-07T09:25:32Z) - Enhance Gender and Identity Preservation in Face Aging Simulation for
Infants and Toddlers [10.447210000352847]
本研究では,CAAE(Conditional Adversarial Autoencoder)モデルに触発された新しいディープラーニング手法を提案する。
UTKFaceデータセットを用いてモデルをトレーニングし,男性1,156名,女性1,207名,幼児1,207名を対象に,100年間の老化をシミュレートした。
論文 参考訳(メタデータ) (2020-11-15T01:40:36Z) - Age Gap Reducer-GAN for Recognizing Age-Separated Faces [72.26969872180841]
本稿では,年齢変化に伴う顔と時間変化をマッチングする新しいアルゴリズムを提案する。
提案手法は,顔の年齢推定と年齢別顔の検証を組み合わせた統合フレームワークである。
論文 参考訳(メタデータ) (2020-11-11T16:43:32Z) - Towards Face Encryption by Generating Adversarial Identity Masks [53.82211571716117]
敵の識別マスクを生成するためのターゲットID保護反復法(TIP-IM)を提案する。
TIP-IMは、様々な最先端の顔認識モデルに対して95%以上の保護成功率を提供する。
論文 参考訳(メタデータ) (2020-03-15T12:45:10Z) - 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。