論文の概要: A Distributed Approximate Nearest Neighbor Method for Real-Time Face
Recognition
- arxiv url: http://arxiv.org/abs/2005.05824v2
- Date: Thu, 27 Aug 2020 22:14:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 19:27:44.227688
- Title: A Distributed Approximate Nearest Neighbor Method for Real-Time Face
Recognition
- Title（参考訳）: リアルタイム顔認識のための分散近似近接近傍法
- Authors: Aysan Aghazadeh, Maryam Amirmazlaghani
- Abstract要約: 本稿では,大規模データセットを用いたリアルタイム顔認識のための分散近接近傍(ANN)手法を提案する。
提案手法はクラスタリング手法を用いて、データセットを異なるクラスタに分離し、各クラスタの重要性を指定する。
実験により,提案手法の精度と処理時間の観点から,提案手法の効率と性能を検証した。
- 参考スコア（独自算出の注目度）: 2.8935588665357077
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nowadays, face recognition and more generally image recognition have many
applications in the modern world and are widely used in our daily tasks. This
paper aims to propose a distributed approximate nearest neighbor (ANN) method
for real-time face recognition using a big dataset that involves a lot of
classes. The proposed approach is based on using a clustering method to
separate the dataset into different clusters and on specifying the importance
of each cluster by defining cluster weights. To this end, reference instances
are selected from each cluster based on the cluster weights using a maximum
likelihood approach. This process leads to a more informed selection of
instances, so it enhances the performance of the algorithm. Experimental
results confirm the efficiency of the proposed method and its out-performance
in terms of accuracy and the processing time.
- Abstract（参考訳）: 近年,顔認識や画像認識は現代社会に多く応用されており,日々の作業に広く利用されている。
本稿では,多くのクラスを含む大規模データセットを用いて,リアルタイム顔認識のための分散近接近傍(ANN)手法を提案する。
提案手法は,データセットを異なるクラスタに分割するクラスタリング手法と,クラスタ重みを定義して各クラスタの重要性を特定することに基づく。
この目的のために、クラスタ重みに基づいて、最大ラキシブルアプローチを用いて、各クラスタから参照インスタンスを選択する。
このプロセスにより、より情報のあるインスタンスの選択が可能となり、アルゴリズムの性能が向上する。
実験により,提案手法の精度と処理時間の観点から,提案手法の効率と性能を検証した。
関連論文リスト
- Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。
提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。
フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
論文 参考訳（メタデータ） (2023-08-13T18:12:28Z) - Clustering Method for Time-Series Images Using Quantum-Inspired
Computing Technology [0.0]
時系列クラスタリングは、クラスタに関する事前の知識がなければ、時系列データの強力なデータマイニング技術として機能する。
本研究では,アニーリングマシンを利用した新しい時系列クラスタリング手法を提案する。
論文 参考訳（メタデータ） (2023-05-26T05:58:14Z) - Hard Regularization to Prevent Deep Online Clustering Collapse without
Data Augmentation [65.268245109828]
オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。
オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。
本稿では,データ拡張を必要としない手法を提案する。
論文 参考訳（メタデータ） (2023-03-29T08:23:26Z) - A One-shot Framework for Distributed Clustered Learning in Heterogeneous
Environments [54.172993875654015]
異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。
ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。
厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
論文 参考訳（メタデータ） (2022-09-22T09:04:10Z) - On Mitigating Hard Clusters for Face Clustering [48.39472979642971]
顔クラスタリングは、大規模な未ラベルの顔画像を使用して顔認識システムをスケールアップするための有望な方法である。
我々はNDDe(Neighborhood-Diffusion-based Density)とTPDi(Transition-Probability-based Distance)の2つの新しいモジュールを紹介した。
複数のベンチマーク実験により,各モジュールが最終性能に寄与することが示された。
論文 参考訳（メタデータ） (2022-07-25T03:55:15Z) - Learn to Cluster Faces via Pairwise Classification [8.42777116250725]
顔クラスタリングは、巨大なラベルのない顔データを活用する上で重要な役割を果たす。
顔クラスタリングタスクをペア関係分類タスクとして定式化し、大規模グラフ上でのメモリ消費学習を回避する。
提案手法は,複数の公開クラスタリングベンチマークの最先端性能を高速に達成する。
論文 参考訳（メタデータ） (2022-05-26T02:50:32Z) - Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly
Types [60.45942774425782]
我々は異常クラスタリングを導入し、その目標はデータを異常型の一貫性のあるクラスタにまとめることである。
これは異常検出とは違い、その目標は異常を通常のデータから分割することである。
パッチベースの事前訓練されたディープ埋め込みとオフザシェルフクラスタリング手法を用いた,単純で効果的なクラスタリングフレームワークを提案する。
論文 参考訳（メタデータ） (2021-12-21T23:11:33Z) - Clustering Plotted Data by Image Segmentation [12.443102864446223]
クラスタリングアルゴリズムは、ラベルなしデータのパターンを検出する主要な分析手法の1つである。
本稿では,人間のクラスタリングデータに着想を得た,2次元空間におけるクラスタリングポイントの全く異なる方法を提案する。
私たちのアプローチであるVisual Clusteringは、従来のクラスタリングアルゴリズムよりもいくつかのアドバンテージを持っています。
論文 参考訳（メタデータ） (2021-10-06T06:19:30Z) - Learning the Precise Feature for Cluster Assignment [39.320210567860485]
表現学習とクラスタリングを1つのパイプラインに初めて統合するフレームワークを提案する。
提案フレームワークは,近年開発された生成モデルを用いて,本質的な特徴を学習する能力を活用している。
実験の結果,提案手法の性能は,最先端の手法よりも優れているか,少なくとも同等であることがわかった。
論文 参考訳（メタデータ） (2021-06-11T04:08:54Z) - Efficient Large-Scale Face Clustering Using an Online Mixture of
Gaussians [1.3101369903953806]
大規模オンライン顔クラスタリングのためのオンラインガウス混合クラスタリング法(OGMC)を提案する。
受信面から抽出された特徴ベクトル(fベクトル)を使用して、OGMCは、その近接性と堅牢性に応じて、他の人と接続できるクラスタを生成します。
実験の結果,提案手法は大規模フェースクラスタリングベンチマークにおける最先端のクラスタリング手法を上回っていることがわかった。
論文 参考訳（メタデータ） (2021-03-31T17:59:38Z) - Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。
我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
論文 参考訳（メタデータ） (2020-10-22T15:58:35Z)
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。