論文の概要: Convolutional neural net face recognition works in non-human-like ways
- arxiv url: http://arxiv.org/abs/2004.04069v2
- Date: Tue, 23 Jun 2020 11:59:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 09:12:12.738270
- Title: Convolutional neural net face recognition works in non-human-like ways
- Title(参考訳): 畳み込みニューラルネットの顔認識は非人間的な方法で機能する
- Authors: P. J. B. Hancock, R. S. Somai and V. R. Mileva
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、多くのパターン認識問題において、アートパフォーマンスの状態を付与する。
我々は、CNNの顔認識システムも驚くべき「エラー」を発生させると報告した。
最高のCNNは、人間の顔のマッチングタスクでほぼ完璧に動作しますが、異なる見かけの人種や性別の顔に対して最もマッチしていると宣言します。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Convolutional neural networks (CNNs) give state of the art performance in
many pattern recognition problems but can be fooled by carefully crafted
patterns of noise. We report that CNN face recognition systems also make
surprising "errors". We tested six commercial face recognition CNNs and found
that they outperform typical human participants on standard face matching
tasks. However, they also declare matches that humans would not, where one
image from the pair has been transformed to look a different sex or race. This
is not due to poor performance; the best CNNs perform almost perfectly on the
human face matching tasks, but also declare the most matches for faces of a
different apparent race or sex. Although differing on the salience of sex and
race, humans and computer systems are not working in completely different ways.
They tend to find the same pairs of images difficult, suggesting some agreement
about the underlying similarity space.
- Abstract(参考訳): 畳み込みニューラルネットワーク(CNN)は、多くのパターン認識問題において、アートパフォーマンスの状態を付与するが、注意深く作られたノイズパターンによって騙される。
cnnの顔認識システムも驚くべき「エラー」を起こしていると報告した。
我々は6つの商用顔認識CNNを試験し、標準的な顔マッチングタスクにおいて、典型的な人間の参加者よりも優れた結果を得た。
しかし、彼らはまた、人間はしないと宣言し、そこではペアのイメージが別の性別や人種に見えるように変化した。
最高のCNNは、人間の顔のマッチングタスクでほぼ完全に動作しますが、異なる見かけの人種や性別の顔に対して最もマッチしていると宣言します。
セックスと人種のサリエンスが異なるが、人間とコンピューターのシステムは全く異なる方法で機能していない。
彼らは同じ画像のペアを見つけるのが難しく、基礎となる類似性空間についていくつかの合意を示唆する。
関連論文リスト
- Human-Machine Comparison for Cross-Race Face Verification: Race Bias at
the Upper Limits of Performance? [0.7036032466145111]
顔認識アルゴリズムは、一部のケースでは人間よりも精度が高いが、人間と機械はどちらも人種ベースの精度の違いを示している。
我々は「クロスレース」顔認証の挑戦的なテストを構築し、人間と最先端の顔認識システム2つを比較した。
我々は,黒と白の2つの顔画像間の身元確認のための最先端のシステムが一般人口を上回ることができると結論付けた。
論文 参考訳(メタデータ) (2023-05-25T19:41:13Z) - Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。
本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。
実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
論文 参考訳(メタデータ) (2022-10-26T15:21:39Z) - Twin identification over viewpoint change: A deep convolutional neural
network surpasses humans [2.9363019325439255]
深層畳み込みニューラルネットワークは顔の識別において人間レベルの精度を達成した。
高相似の顔がどの程度正確に識別されているかは明らかでない。
顔認証のために訓練されたDCNNは、人間に提示された同じ画像ペアでテストされた。
マシンのパフォーマンスは人間の正確さのパターンを反映したものですが、すべての人間のパフォーマンスは1つの条件以外はありませんでした。
論文 参考訳(メタデータ) (2022-07-12T04:59:53Z) - Convolutional Neural Network Based Partial Face Detection [0.0]
本研究の目的は、顔を正しく認識する機械学習モデルを作成し、拡張することである。
モデルの作成と実行の後、マルチタスク畳み込みニューラルネットワーク(MTCNN)は96.2%の精度を達成した。
論文 参考訳(メタデータ) (2022-06-29T01:26:40Z) - BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by
Adversarial Attacks [65.2021953284622]
CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。
結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
論文 参考訳(メタデータ) (2021-03-14T20:43:19Z) - A Study of Face Obfuscation in ImageNet [94.2949777826947]
本稿では,imagenetチャレンジにおける画像難読化について検討する。
ImageNetチャレンジのほとんどのカテゴリは、人のカテゴリではありません。
さまざまな深層ニューラルネットワークを顔画像上でベンチマークし、異なるカテゴリに対する異なる影響を観察します。
結果は、顔が破れた画像で学んだ特徴が等しく転送可能であることを示している。
論文 参考訳(メタデータ) (2021-03-10T17:11:34Z) - Sparse Fooling Images: Fooling Machine Perception through Unrecognizable
Images [36.42135216182063]
そこで本研究では,少ない画素数を持つ単一カラー画像であるスパルスドローイング画像(SFI)を新たに提案する。
SFIは自然対象として認識され、高い信頼度を持つクラスに分類される。
この研究はCNNの構造と堅牢性に関する質問を引き起こし、人間と機械の知覚の違いについて議論する。
論文 参考訳(メタデータ) (2020-12-07T16:47:33Z) - Face Hallucination via Split-Attention in Split-Attention Network [58.30436379218425]
畳み込みニューラルネットワーク(CNN)は、顔幻覚を促進するために広く用いられている。
顔の全体像とテクスチャの細部を同時に考慮し,新たな内部分割注意グループ(ESAG)を提案する。
これら2つの経路から特徴を融合させることにより、顔の構造の整合性と顔の詳細の忠実度が強化される。
論文 参考訳(メタデータ) (2020-10-22T10:09:31Z) - 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) - Video Face Manipulation Detection Through Ensemble of CNNs [17.051112469244778]
現代の顔操作技術をターゲットにした映像系列における顔操作検出の課題に対処する。
特に、異なる訓練された畳み込みニューラルネットワーク(CNN)モデルのアンサンブルについて検討する。
これらのネットワークを組み合わせることで、2つの公開データセット上での顔操作検出結果が期待できることを示す。
論文 参考訳(メタデータ) (2020-04-16T14:19:40Z) - Towards Achieving Adversarial Robustness by Enforcing Feature
Consistency Across Bit Planes [51.31334977346847]
我々は、高ビット平面の情報に基づいて粗い印象を形成するためにネットワークを訓練し、低ビット平面を用いて予測を洗練させる。
異なる量子化画像間で学習した表現に一貫性を付与することにより、ネットワークの対角的ロバスト性が大幅に向上することを示した。
論文 参考訳(メタデータ) (2020-04-01T09:31:10Z)
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。