論文の概要: Retrieval of Family Members Using Siamese Neural Network
- arxiv url: http://arxiv.org/abs/2006.00174v1
- Date: Sat, 30 May 2020 04:32:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 17:42:19.023025
- Title: Retrieval of Family Members Using Siamese Neural Network
- Title(参考訳): siameseニューラルネットワークを用いた家族構成員の検索
- Authors: Jun Yu, Guochen Xie, Mengyan Li and Xinlong Hao
- Abstract要約: 対象者の家族の検索は,対象者の家族をデータセットで検索することを目的としている。
我々は,ディープ・シームズニューラルネットワークによる解を提案する。
私たちのソリューションは、類似性とランキングの2つの部分に分けられます。
- 参考スコア(独自算出の注目度): 20.360475286657877
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retrieval of family members in the wild aims at finding family members of the
given subject in the dataset, which is useful in finding the lost children and
analyzing the kinship. However, due to the diversity in age, gender, pose and
illumination of the collected data, this task is always challenging. To solve
this problem, we propose our solution with deep Siamese neural network. Our
solution can be divided into two parts: similarity computation and ranking. In
training procedure, the Siamese network firstly takes two candidate images as
input and produces two feature vectors. And then, the similarity between the
two vectors is computed with several fully connected layers. While in inference
procedure, we try another similarity computing method by dropping the followed
several fully connected layers and directly computing the cosine similarity of
the two feature vectors. After similarity computation, we use the ranking
algorithm to merge the similarity scores with the same identity and output the
ordered list according to their similarities. To gain further improvement, we
try different combinations of backbones, training methods and similarity
computing methods. Finally, we submit the best combination as our solution and
our team(ustc-nelslip) obtains favorable result in the track3 of the RFIW2020
challenge with the first runner-up, which verifies the effectiveness of our
method. Our code is available at: https://github.com/gniknoil/FG2020-kinship
- Abstract(参考訳): 対象者の家族の検索は, 対象者の家族をデータセットで検索することを目的としており, 行方不明児の発見と親族関係の分析に有用である。
しかし、年齢、性別、ポーズ、そして収集したデータの照明の多様性のため、この課題は常に困難である。
この問題を解決するために,我々はディープ・シームズニューラルネットワークによる解を提案する。
我々の解は類似性計算とランク付けの2つの部分に分けられる。
トレーニング手順では、シャムゼネットワークはまず2つの候補画像を入力として、2つの特徴ベクトルを生成する。
そして、2つのベクトル間の類似性は、いくつかの完全連結層で計算される。
推論処理中、従う複数の完全連結層を落とし、2つの特徴ベクトルのコサイン類似性を直接計算することで、別の類似性計算手法を試す。
類似度計算の後、このランキングアルゴリズムを用いて類似度スコアを同一のIDとマージし、類似度に応じて順序リストを出力する。
さらなる改善を得るために、バックボーン、トレーニングメソッド、類似性コンピューティングメソッドの異なる組み合わせを試す。
最後に、最良の組み合わせをソリューションとして提出し、我々のチーム(ustc-nelslip)は、第1次準決勝でrfiw2020チャレンジのトラック3で有利な結果を得ました。
私たちのコードは、https://github.com/gniknoil/FG2020-kinshipで利用可能です。
関連論文リスト
- SCVCNet: Sliding cross-vector convolution network for cross-task and
inter-individual-set EEG-based cognitive workload recognition [15.537230343119875]
本稿では,脳波パターンを利用した認知作業量認識装置の汎用的手法を提案する。
パワースペクトル密度の微細な周波数構造を解析することにより,脳波のタスクおよび個々のセットに関する干渉を除去するSCVCNetというニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2023-09-21T13:06:30Z) - Deep ensembles in bioimage segmentation [74.01883650587321]
本研究では,畳み込みニューラルネットワーク(CNN)のアンサンブルを提案する。
アンサンブル法では、多くの異なるモデルが訓練され、分類に使用され、アンサンブルは単一分類器の出力を集約する。
提案するアンサンブルは,DeepLabV3+とHarDNet環境を用いて,異なるバックボーンネットワークを組み合わせることで実現されている。
論文 参考訳(メタデータ) (2021-12-24T05:54:21Z) - Learning Tracking Representations via Dual-Branch Fully Transformer
Networks [82.21771581817937]
追従のためのトランスフォーマーのみをベースとした,シームズ型デュアルブランチネットワークを提案する。
注目ウィンドウ内の他のパッチとのマッチング結果に基づいて,各パッチの特徴ベクトルを抽出する。
この手法は、最高の性能の方法として、より良い結果または同等の結果を得る。
論文 参考訳(メタデータ) (2021-12-05T13:44:33Z) - Confusion-based rank similarity filters for computationally-efficient
machine learning on high dimensional data [0.0]
我々は、ランク類似度フィルタ(RSF)と呼ばれる、計算効率の良い新しいタイプの人工知能ニューラルネットワーク(ANN)を導入する。
RSFは、多くのデータポイントと次元を持つ非線形分離可能なデータセットを変換し、分類するために使用することができる。
RST、RCC、RSPCのオープンソースコードは、人気のあるScikit-learnフレームワークを使用してPythonで書かれており、簡単にアクセスできる。
論文 参考訳(メタデータ) (2021-09-28T10:53:38Z) - DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。
本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。
登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
論文 参考訳(メタデータ) (2021-04-08T04:27:32Z) - Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。
提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。
2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
論文 参考訳(メタデータ) (2020-12-23T09:33:11Z) - Multi-task Supervised Learning via Cross-learning [102.64082402388192]
我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。
我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。
これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
論文 参考訳(メタデータ) (2020-10-24T21:35:57Z) - Deep Fusion Siamese Network for Automatic Kinship Verification [20.360475286657877]
本研究では,2個体間の相対的類似性を定量化するディープサイムズネットワークを提案する。
2つのディープ・サイムズ・ネットワークは3つのオブジェクト(すなわち父、母、子)の親子関係検証のためのディープ・トリプルト・ネットワークに統合される。
論文 参考訳(メタデータ) (2020-05-30T01:43:59Z) - Prob2Vec: Mathematical Semantic Embedding for Problem Retrieval in
Adaptive Tutoring [4.230510356675453]
人間が十分なトレーニングセットで一致した類似度スコアを決定するのは難しい。
本稿では,抽象化と組込みステップからなる階層型問題埋め込みアルゴリズムProb2Vecを提案する。
Prob2Vec 96.88%の精度で問題類似性テストを行った。
論文 参考訳(メタデータ) (2020-03-21T00:16:14Z) - Accelerating Feedforward Computation via Parallel Nonlinear Equation
Solving [106.63673243937492]
ニューラルネットワークの評価や自己回帰モデルからのサンプリングなどのフィードフォワード計算は、機械学習においてユビキタスである。
本稿では,非線形方程式の解法としてフィードフォワード計算の課題を定式化し,ジャコビ・ガウス・シーデル固定点法とハイブリッド法を用いて解を求める。
提案手法は, 並列化可能な繰り返し回数の削減(あるいは等値化)により, 元のフィードフォワード計算と全く同じ値が与えられることを保証し, 十分な並列化計算能力を付与する。
論文 参考訳(メタデータ) (2020-02-10T10:11:31Z)
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。