論文の概要: Data Uncertainty Learning in Face Recognition

• arxiv url: http://arxiv.org/abs/2003.11339v1
• Date: Wed, 25 Mar 2020 11:40:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 03:34:23.558548
• Title: Data Uncertainty Learning in Face Recognition
• Title（参考訳）: 顔認識におけるデータ不確かさ学習
• Authors: Jie Chang, Zhonghao Lan, Changmao Cheng, Yichen Wei
• Abstract要約: 不確実性はノイズの多い画像にとって重要であるが、顔認識のために探索されることはめったにない。 不確実性が特徴学習にどのような影響を及ぼすかは不明である。 この研究は、顔認識にデータ不確実性学習を適用します。
• 参考スコア（独自算出の注目度）: 23.74716810099911
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling data uncertainty is important for noisy images, but seldom explored for face recognition. The pioneer work, PFE, considers uncertainty by modeling each face image embedding as a Gaussian distribution. It is quite effective. However, it uses fixed feature (mean of the Gaussian) from an existing model. It only estimates the variance and relies on an ad-hoc and costly metric. Thus, it is not easy to use. It is unclear how uncertainty affects feature learning. This work applies data uncertainty learning to face recognition, such that the feature (mean) and uncertainty (variance) are learnt simultaneously, for the first time. Two learning methods are proposed. They are easy to use and outperform existing deterministic methods as well as PFE on challenging unconstrained scenarios. We also provide insightful analysis on how incorporating uncertainty estimation helps reducing the adverse effects of noisy samples and affects the feature learning.
• Abstract（参考訳）: ノイズの多い画像ではデータの不確かさのモデル化が重要であるが、顔認識のために検討されることはほとんどない。 先駆的な研究であるPFEは、各顔画像埋め込みをガウス分布としてモデル化することで不確実性を考える。 それはとても効果的です。 しかし、既存のモデルから固定された特徴(ガウスの値)を使う。 差分のみを推定し、アドホックでコストのかかる計量に依存する。 したがって、簡単には使用できない。 不確実性が機能学習にどのように影響するかは不明だ。 本研究は,その特徴(平均)と不確実性(分散)を初めて同時に学習するように,顔認識にデータ不確実性学習を適用する。 2つの学習方法が提案されている。 既存の決定論的手法や、制約のないシナリオに対するPFEよりも使いやすく、パフォーマンスも優れている。 また,不確実性推定を組み込むことが,ノイズサンプルの悪影響を低減し,機能学習に影響を及ぼすことを示唆する。

関連論文リスト

• Uncertainty for Active Learning on Graphs [70.44714133412592]
  不確実性サンプリングは、機械学習モデルのデータ効率を改善することを目的とした、アクティブな学習戦略である。 予測の不確実性を超えた不確実性サンプリングをベンチマークし、他のアクティブラーニング戦略に対する大きなパフォーマンスギャップを強調します。 提案手法は,データ生成プロセスの観点から基幹的ベイズ不確実性推定法を開発し,不確実性サンプリングを最適クエリへ導く上での有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-02T16:50:47Z)
• dugMatting: Decomposed-Uncertainty-Guided Matting [83.71273621169404]
  そこで本稿では, 明確に分解された不確かさを探索し, 効率よく効率よく改善する, 分解不確実性誘導型マッチングアルゴリズムを提案する。 提案したマッチングフレームワークは,シンプルで効率的なラベリングを用いて対話領域を決定する必要性を緩和する。
  論文  参考訳（メタデータ） (2023-06-02T11:19:50Z)
• Improving Training and Inference of Face Recognition Models via Random Temperature Scaling [45.33976405587231]
  ランダム温度スケーリング(RTS)は,信頼度の高い顔認識アルゴリズムを学習するために提案される。 RTSは、顔認識とアウト・オブ・ディストリビューション検出タスクの両方で最高のパフォーマンスを達成することができる。 提案されたモジュールは軽量であり、モデルに無視できるコストしか加えない。
  論文  参考訳（メタデータ） (2022-12-02T08:00:03Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• A Geometric Method for Improved Uncertainty Estimation in Real-time [13.588210692213568]
  ポストホックモデルキャリブレーションは、再トレーニングを必要とせずにモデルの不確実性推定を改善することができる。 我々の研究は不確実性推定のための幾何学的アプローチを推し進めている。 提案手法は,最近提案された手法よりも不確実性評価が優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-23T09:18:05Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• Self-Paced Uncertainty Estimation for One-shot Person Re-Identification [9.17071384578203]
  本稿では,単発人物の自己ペース不確実性推定ネットワーク(spue-net)を提案する。 自己ペースサンプリング戦略を導入することで,ラベルなしサンプルの擬似ラベルを反復的に推定し,ラベル付きサンプルを拡張できる。 さらに,局所不確実性推定と決定性推定を併用した協調学習手法を適用し,より優れた隠れ空間特徴抽出を実現する。
  論文  参考訳（メタデータ） (2021-04-19T09:20:30Z)
• Low-Regret Active learning [64.36270166907788]
  トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。 私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
  論文  参考訳（メタデータ） (2021-04-06T22:53:45Z)
• Do Not Forget to Attend to Uncertainty while Mitigating Catastrophic Forgetting [29.196246255389664]
  ディープラーニングモデルの大きな制限の1つは、漸進的な学習シナリオにおいて、破滅的な忘れに直面していることだ。 ベイズ式を定式化して,不確実性をモデル化する。 漸進的な学習問題に対処するために、自己認識フレームワークも組み込んでいます。
  論文  参考訳（メタデータ） (2021-02-03T06:54:52Z)
• Deep Learning based Uncertainty Decomposition for Real-time Control [9.067368638784355]
  本稿では,ディープラーニングを用いたトレーニングデータの欠如を検出する新しい手法を提案する。 合成および実世界のデータセットに対する既存のアプローチに対する利点を示す。 さらに、シミュレーションされたクアッドコプターにオンラインデータ効率制御を展開させる上で、この不確実性推定の実用性を実証する。
  論文  参考訳（メタデータ） (2020-10-06T10:46:27Z)

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。