論文の概要: Kinship Identification through Joint Learning Using Kinship Verification Ensembles

• arxiv url: http://arxiv.org/abs/2004.06382v4
• Date: Mon, 24 Aug 2020 06:35:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 09:50:17.340096
• Title: Kinship Identification through Joint Learning Using Kinship Verification Ensembles
• Title（参考訳）: 関係検証アンサンブルを用いた共同学習による関係同定
• Authors: Wei Wang, Shaodi You, Sezer Karaoglu, Theo Gevers
• Abstract要約: そこで本研究では,キンシップ検証アンサンブルと分類モジュールの協調訓練に基づく新しいキンシップ識別手法を提案する。 実験では、より現実的な分布を持つ同じデータセット上でトレーニングされた場合、血縁検証の大幅なパフォーマンス向上が示されている。
• 参考スコア（独自算出の注目度）: 29.432483095552524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Kinship verification is a well-explored task: identifying whether or not two persons are kin. In contrast, kinship identification has been largely ignored so far. Kinship identification aims to further identify the particular type of kinship. An extension to kinship verification run short to properly obtain identification, because existing verification networks are individually trained on specific kinships and do not consider the context between different kinship types. Also, existing kinship verification datasets have biased positive-negative distributions which are different than real-world distributions. To this end, we propose a novel kinship identification approach based on joint training of kinship verification ensembles and classification modules. We propose to rebalance the training dataset to become more realistic. Large scale experiments demonstrate the appealing performance on kinship identification. The experiments further show significant performance improvement of kinship verification when trained on the same dataset with more realistic distributions.
• Abstract（参考訳）: 親族検証は、二人が親族かどうかを識別する、よく研究されたタスクである。 対照的に、血縁の識別は、これまでほとんど無視されてきた。 種族識別は、種族の種類をさらに特定することを目的としている。 既存の検証ネットワークは特定のキンシップに基づいて個別に訓練されており、異なるキンシップタイプ間のコンテキストを考慮していないため、キンシップ検証への拡張は、適切に識別を得るために実行されます。 また、既存の血縁検証データセットは、実世界の分布とは異なる正負の分布に偏っている。 そこで本研究では,キンシップ検証アンサンブルと分類モジュールの協調訓練に基づく新しいキンシップ識別手法を提案する。 我々は、トレーニングデータセットをより現実的なものにするために再バランスすることを提案する。 大規模な実験は、親族識別に魅力的な性能を示す。 さらに実験では、より現実的な分布を持つ同じデータセットでトレーニングされた場合、キンシップ検証のパフォーマンスが大幅に向上することを示した。

関連論文リスト

• What If the Input is Expanded in OOD Detection? [77.37433624869857]
  Out-of-distriion (OOD) 検出は未知のクラスからのOOD入力を特定することを目的としている。 In-distriion(ID)データと区別するために,様々なスコアリング関数を提案する。 入力空間に異なる共通の汚職を用いるという、新しい視点を導入する。
  論文  参考訳（メタデータ） (2024-10-24T06:47:28Z)
• Score Normalization for Demographic Fairness in Face Recognition [16.421833444307232]
  有名なサンプル中心スコア正規化技術であるZ-normとT-normは、高セキュリティ動作点の公平性を向上しない。 標準Z/Tノルムを拡張し、正規化における人口統計情報を統合する。 本手法は,5つの最先端の顔認識ネットワークの全体的な公正性を改善する。
  論文  参考訳（メタデータ） (2024-07-19T07:51:51Z)
• Toward Fairer Face Recognition Datasets [69.04239222633795]
  顔認識と検証は、ディープ表現の導入によってパフォーマンスが向上したコンピュータビジョンタスクである。 実際のトレーニングデータセットにおける顔データとバイアスのセンシティブな性格による倫理的、法的、技術的な課題は、彼らの開発を妨げる。 生成されたトレーニングデータセットに階層属性のバランス機構を導入することにより、公平性を促進する。
  論文  参考訳（メタデータ） (2024-06-24T12:33:21Z)
• KFC: Kinship Verification with Fair Contrastive Loss and Multi-Task Learning [10.716585855033347]
  キンシップ検証は、コンピュータビジョンにおける新たな課題であり、複数の潜在的な応用がある。 まず、既存の血統データセットを組み合わせ、それぞれのアイデンティティを正しい人種にラベル付けして、人種情報を考慮に入れます。 次に,注目モジュールを用いたマルチタスク学習モデル構築手法を提案する。
  論文  参考訳（メタデータ） (2023-09-19T14:21:33Z)
• Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification [80.98291772215154]
  教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。 近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。 本稿では, Pseudo Label Refinement フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T09:39:57Z)
• Deep Collaborative Multi-Modal Learning for Unsupervised Kinship Estimation [53.62256887837659]
  キンシップ検証は、コンピュータビジョンにおける長年の研究課題である。 本稿では,顔特性に表される基礎情報を統合するために,新しい協調型多モーダル学習(DCML)を提案する。 我々のDCML法は、常に最先端のキンシップ検証法よりも優れている。
  論文  参考訳（メタデータ） (2021-09-07T01:34:51Z)
• Concurrent Discrimination and Alignment for Self-Supervised Feature Learning [52.213140525321165]
  既存の自己指導型学習手法は,(1)どの特徴が分離されるべきかを明確に示すこと,あるいは(2)どの特徴が閉じるべきかを明確に示すこと,のいずれかのプリテキストタスクを用いて学習する。 本研究では,識別・調整手法の正の側面を組み合わせて,上記の課題に対処するハイブリッド手法を設計する。 本手法は,識別的予測タスクによってそれぞれ反発とアトラクションのメカニズムを明確に特定し,ペアビュー間の相互情報を同時に最大化する。 確立された9つのベンチマーク実験により,提案モデルが自己監督と移動の既成結果より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-19T09:07:41Z)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)
• A Unified Approach to Kinship Verification [10.508187462682308]
  統合マルチタスク学習方式を用いた親族検証のための深層学習に基づくアプローチを提案する。 本稿では,ネットワークのトレーニングにおいて一般的な問題であるオーバーフィッティングを回避するため,キンイメージの埋め込みを融合させる新しい手法を提案する。 同期検証データセットの固有不均衡を解決するために、トレーニングセット画像に対して適応的なサンプリングスキームを導出する。
  論文  参考訳（メタデータ） (2020-09-12T22:13:56Z)

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。