論文の概要: Balanced Alignment for Face Recognition: A Joint Learning Approach

• arxiv url: http://arxiv.org/abs/2003.10168v1
• Date: Mon, 23 Mar 2020 10:35:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 00:15:25.812100
• Title: Balanced Alignment for Face Recognition: A Joint Learning Approach
• Title（参考訳）: 顔認識のためのバランスアライメント:共同学習アプローチ
• Authors: Huawei Wei, Peng Lu, Yichen Wei
• Abstract要約: 顔のアライメントがどれほど重要か、どのように行うべきか、認識のためには理解できない。 この研究は、アライメント強度が認識精度にどのように影響するかを詳細に定量的に研究する。 以上の結果から,過剰なアライメントは有害であり,最適なアライメントポイントが必要であることが示唆された。 このバランスを打つために、我々の2番目の貢献は、アライメント学習がその強さに対して制御可能であり、認識によって駆動される、新しい共同学習アプローチである。
• 参考スコア（独自算出の注目度）: 23.342940331722005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face alignment is crucial for face recognition and has been widely adopted. However, current practice is too simple and under-explored. There lacks an understanding of how important face alignment is and how it should be performed, for recognition. This work studies these problems and makes two contributions. First, it provides an in-depth and quantitative study of how alignment strength affects recognition accuracy. Our results show that excessive alignment is harmful and an optimal balanced point of alignment is in need. To strike the balance, our second contribution is a novel joint learning approach where alignment learning is controllable with respect to its strength and driven by recognition. Our proposed method is validated by comprehensive experiments on several benchmarks, especially the challenging ones with large pose.
• Abstract（参考訳）: 顔のアライメントは顔認識に不可欠であり、広く採用されている。 しかし、現在のプラクティスは単純すぎるし、探索不足である。 顔のアライメントがいかに重要か、どのように行うべきか、認識のためには理解できない。 この研究はこれらの問題を研究し、2つの貢献をする。 まず、アライメント強度が認識精度にどのように影響するかを詳細に定量的に研究する。 以上の結果から,過剰なアライメントは有害であり,最適なアライメントポイントが必要であることが示唆された。 バランスを取るために第2の貢献は,アライメント学習はその強みに対して制御可能であり,認識によって駆動される,新たな共同学習手法である。 提案手法は,いくつかのベンチマーク,特にポーズが大きい課題に対する包括的実験によって検証される。

関連論文リスト

• Alignment for Honesty [105.72465407518325]
  最近の研究は、大きな言語モデル(LLM)を有用性と無害性と整合させることに大きく貢献している。 本稿は,LLMが知識の欠如に積極的に回答を拒むことを確実にする,エンフォネストリーにおけるアライメントの重要性を論じる。 これらの課題に対処するために、まずは正確な問題定義を確立し、儒教の分析に触発された「誠実さ」を定義します。
  論文  参考訳（メタデータ） (2023-12-12T06:10:42Z)
• Beyond Imitation: Leveraging Fine-grained Quality Signals for Alignment [105.34140537748546]
  我々はFIGAという改良されたアライメント手法を提案し、従来の手法とは異なり、良質な応答と悪質な応答の対比から導出されるきめ細かい品質信号を取り込む。 まず、初期応答とそれに対応する修正データセットをペアリングする精巧なアライメントデータセットをキュレートする。 第2に,LLMの微粒な品質信号を利用してアライメントの学習を指導する新たな損失関数を考案する。
  論文  参考訳（メタデータ） (2023-11-07T15:36:40Z)
• CoReFace: Sample-Guided Contrastive Regularization for Deep Face Recognition [3.1677775852317085]
  特徴表現学習に画像レベルの正規化を適用するために,CoReFace(Contrastive Regularization for Face Recognition)を提案する。 具体的には、サンプル誘導型コントラスト学習を用いて、画像と画像の関係を直接調整する。 コントラスト学習を顔認識に統合するため,画像の画質劣化を回避するために,画像の代わりに埋め込みを拡大する。
  論文  参考訳（メタデータ） (2023-04-23T14:33:24Z)
• ScaleFace: Uncertainty-aware Deep Metric Learning [2.7383076864024636]
  計算コストをほとんど加えずに不確実性を直接推定できる深度計量学習手法を提案する。 textitScaleFaceアルゴリズムは、埋め込み空間の類似性を変更するトレーニング可能なスケール値を使用する。 本研究では,他の不確実性を認識した顔認識手法と比較して,ScaleFaceの優れた性能を示す顔認識タスクに関する総合的な実験を行う。
  論文  参考訳（メタデータ） (2022-09-05T10:27:16Z)
• SIMPLE: SIngle-network with Mimicking and Point Learning for Bottom-up Human Pose Estimation [81.03485688525133]
  Single-network with Mimicking and Point Learning for Bottom-up Human Pose Estimation (SIMPLE) を提案する。 具体的には、トレーニングプロセスにおいて、SIMPLEが高性能なトップダウンパイプラインからのポーズ知識を模倣できるようにする。 さらに、SIMPLEは人間検出とポーズ推定を統一的なポイントラーニングフレームワークとして定式化し、単一ネットワークで相互に補完する。
  論文  参考訳（メタデータ） (2021-04-06T13:12:51Z)
• Searching for Alignment in Face Recognition [37.91087888250405]
  まず、異なるアライメントテンプレートが顔認識に与える影響を探索し、強調する。 そして、初めて最適なテンプレートを自動で検索する。 我々は、テンプレートを分解して、作物の大きさと垂直シフトに分解することで、よく定義された探索空間を構築する。 提案したベンチマーク実験は,顔認識性能向上のための手法の有効性を検証した。
  論文  参考訳（メタデータ） (2021-02-10T14:09:16Z)
• Towards Understanding the Adversarial Vulnerability of Skeleton-based Action Recognition [133.35968094967626]
  骨格に基づく行動認識は、動的状況への強い適応性から注目を集めている。 ディープラーニング技術の助けを借りて、かなり進歩し、現在、良識のある環境で約90%の精度を達成している。 異なる対角的環境下での骨格に基づく行動認識の脆弱性に関する研究はいまだ研究されていない。
  論文  参考訳（メタデータ） (2020-05-14T17:12:52Z)
• CurricularFace: Adaptive Curriculum Learning Loss for Deep Face Recognition [79.92240030758575]
  本稿では,カリキュラム学習の概念を損失関数に組み込んだ適応型カリキュラム学習損失(CurricularFace)を提案する。 我々のCurricularFaceは、異なるトレーニング段階における簡単なサンプルとハードサンプルの相対的重要性を適応的に調整する。
  論文  参考訳（メタデータ） (2020-04-01T08:43:10Z)
• Learning Oracle Attention for High-fidelity Face Completion [121.72704525675047]
  U-Net構造に基づく顔補完のための包括的フレームワークを設計する。 複数のスケールで顔のテクスチャ間の相関関係を効率よく学習する双対空間アテンションモジュールを提案する。 顔成分の位置を事前の知識として捉え,これらの領域に複数識別器を課す。
  論文  参考訳（メタデータ） (2020-03-31T01:37:10Z)

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。