論文の概要: GroupFace: Learning Latent Groups and Constructing Group-based Representations for Face Recognition

• arxiv url: http://arxiv.org/abs/2005.10497v2
• Date: Mon, 25 May 2020 04:51:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 23:39:29.410060
• Title: GroupFace: Learning Latent Groups and Constructing Group-based Representations for Face Recognition
• Title（参考訳）: GroupFace:潜在グループを学習し、顔認識のためのグループベース表現を構築する
• Authors: Yonghyun Kim, Wonpyo Park, Myung-Cheol Roh and Jongju Shin
• Abstract要約: 組込み機能の品質を向上させるために,グループフェイスと呼ばれる新しい顔認識特化アーキテクチャを提案する。 提案手法は,人間のアノテーションを付加せずに各グループに属するサンプル数のバランスをとる自己分散ラベルを提供する。 提案手法のすべてのコンポーネントは、計算複雑性を極端に増加させることなく、エンドツーエンドで訓練することができる。
• 参考スコア（独自算出の注目度）: 20.407167858663453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the field of face recognition, a model learns to distinguish millions of face images with fewer dimensional embedding features, and such vast information may not be properly encoded in the conventional model with a single branch. We propose a novel face-recognition-specialized architecture called GroupFace that utilizes multiple group-aware representations, simultaneously, to improve the quality of the embedding feature. The proposed method provides self-distributed labels that balance the number of samples belonging to each group without additional human annotations, and learns the group-aware representations that can narrow down the search space of the target identity. We prove the effectiveness of the proposed method by showing extensive ablation studies and visualizations. All the components of the proposed method can be trained in an end-to-end manner with a marginal increase of computational complexity. Finally, the proposed method achieves the state-of-the-art results with significant improvements in 1:1 face verification and 1:N face identification tasks on the following public datasets: LFW, YTF, CALFW, CPLFW, CFP, AgeDB-30, MegaFace, IJB-B and IJB-C.
• Abstract（参考訳）: 顔認識の分野では、モデルは、次元埋め込みの少ない数百万の顔画像を識別することを学び、そのような膨大な情報は、単一のブランチを持つ従来のモデルでは正しくエンコードされない。 本稿では,複数のグループ認識表現を同時に利用し,組込み機能の品質向上を図る,グループFaceと呼ばれる新しい顔認識特化アーキテクチャを提案する。 提案手法は,人間のアノテーションを付加せずに各グループに属するサンプルの数をバランスさせる自己分散ラベルを提供し,対象のアイデンティティの検索空間を狭めるグループ認識表現を学習する。 提案手法の有効性を広範囲なアブレーション実験と可視化により証明する。 提案手法のすべてのコンポーネントは、計算複雑性を極端に増加させてエンドツーエンドで訓練することができる。 最後に, lfw, ytf, calfw, cplfw, cfp, ageb-30, megaface, ijb-b, ijb-cの公開データセットにおいて, 1:1 の顔認証と 1:n 顔識別タスクを大幅に改善した。

関連論文リスト

• Federated Face Forgery Detection Learning with Personalized Representation [63.90408023506508]
  ディープジェネレータ技術は、区別がつかない高品質のフェイクビデオを制作し、深刻な社会的脅威をもたらす可能性がある。 従来の偽造検出手法は、データを直接集中的に訓練する。 本稿では,個人化表現を用いた新しいフェデレーション顔偽造検出学習を提案する。
  論文  参考訳（メタデータ） (2024-06-17T02:20:30Z)
• Neural Clustering based Visual Representation Learning [61.72646814537163]
  クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。 本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。 FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
  論文  参考訳（メタデータ） (2024-03-26T06:04:50Z)
• Faceptor: A Generalist Model for Face Perception [52.8066001012464]
  Faceptorは、よく設計されたシングルエンコーダのデュアルデコーダアーキテクチャを採用するために提案されている。 Faceptorへのレイヤアテンションにより、モデルが最適なレイヤから機能を適応的に選択して、望ましいタスクを実行することができる。 我々のトレーニングフレームワークは補助的な教師付き学習にも適用でき、年齢推定や表現認識といったデータスパースタスクの性能を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2024-03-14T15:42:31Z)
• Applying Unsupervised Semantic Segmentation to High-Resolution UAV Imagery for Enhanced Road Scene Parsing [12.558144256470827]
  新規な教師なし道路解析フレームワークについて紹介する。 提案手法は,手動のアノテーションを使わずに,開発データセット上で89.96%のmIoUの平均インターセクションを実現する。
  論文  参考訳（メタデータ） (2024-02-05T13:16:12Z)
• AggNet: Learning to Aggregate Faces for Group Membership Verification [20.15673797674449]
  いくつかの顔認識アプリケーションでは、個人がグループのメンバーであるかどうかを、そのアイデンティティを明らかにすることなく確認することに興味がある。 いくつかの既存手法では、事前計算された顔記述子を離散的な埋め込みに量子化し、それらを一つのグループ表現に集約する機構が提案されている。 本稿では,顔記述子とアグリゲーション機構を協調的に学習し,エンドツーエンドのパフォーマンスを向上させるディープアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-06-17T10:48:34Z)
• Information Maximization Clustering via Multi-View Self-Labelling [9.947717243638289]
  本稿では,意味のある表現を同時に学習し,対応するアノテーションを割り当てる単一フェーズクラスタリング手法を提案する。 これは、離散表現をネットを通じて自己監督パラダイムに統合することで達成される。 実験の結果,提案手法は,平均精度89.1%,49.0%で最先端技術を上回ることがわかった。
  論文  参考訳（メタデータ） (2021-03-12T16:04:41Z)
• BroadFace: Looking at Tens of Thousands of People at Once for Face Recognition [21.48535041822524]
  BroadFaceは、膨大なIDを包括的に検討する学習プロセスである。 BroadFaceでは、線形分類器は過去の繰り返しに蓄積された多数の埋め込みベクトルからアイデンティティ間の最適決定境界を学習する。 BroadFaceは、9つのデータセットを1:1の顔認証と1:Nの顔識別タスクで大幅に改善し、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2020-08-15T08:17:25Z)
• Multi-Margin based Decorrelation Learning for Heterogeneous Face Recognition [90.26023388850771]
  本稿では,超球面空間におけるデコリレーション表現を抽出するディープニューラルネットワーク手法を提案する。 提案するフレームワークは,不均一表現ネットワークとデコリレーション表現学習の2つのコンポーネントに分けることができる。 2つの難解な異種顔データベースに対する実験結果から,本手法は検証タスクと認識タスクの両方において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-05-25T07:01:12Z)
• Clustering based Contrastive Learning for Improving Face Representations [34.75646290505793]
  本稿では,クラスタリングに基づく新しい表現学習手法であるContrastive Learning (CCL)を提案する。 CCLは、ビデオ制約とともにクラスタリングから得られたラベルを使用して、非ネイティブな顔の特徴を学習する。
  論文  参考訳（メタデータ） (2020-04-05T13:11:44Z)
• Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
  重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。 提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
  論文  参考訳（メタデータ） (2020-04-01T13:39:37Z)
• Joint Deep Learning of Facial Expression Synthesis and Recognition [97.19528464266824]
  顔表情の合成と認識を効果的に行うための新しい統合深層学習法を提案する。 提案手法は, 2段階の学習手順を伴い, まず, 表情の異なる顔画像を生成するために, 表情合成生成対向ネットワーク (FESGAN) を事前訓練する。 実画像と合成画像間のデータバイアスの問題を軽減するために,新しい実データ誘導バックプロパゲーション(RDBP)アルゴリズムを用いたクラス内損失を提案する。
  論文  参考訳（メタデータ） (2020-02-06T10:56:00Z)

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。