論文の概要: On Improving Temporal Consistency for Online Face Liveness Detection

• arxiv url: http://arxiv.org/abs/2006.06756v1
• Date: Thu, 11 Jun 2020 19:19:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 14:06:02.016102
• Title: On Improving Temporal Consistency for Online Face Liveness Detection
• Title（参考訳）: オンライン顔ライブネス検出における時間的一貫性の改善について
• Authors: Xiang Xu and Yuanjun Xiong and Wei Xia
• Abstract要約: 我々は、下流の顔認識システムの安全性を高めるために、オンラインの顔のライブネス検出システムの改善に重点を置いている。 この問題に対処するため,時間的整合性に基づく単純かつ効果的な解法を提案する。 トレーニング段階では、時間的一貫性の制約を統合するために、時間的自己スーパービジョンの損失とクラス一貫性の損失が提案される。 展開段階では、トレーニング不要な非パラメトリック不確実性推定モジュールが開発され、予測を適応的に円滑にする。
• 参考スコア（独自算出の注目度）: 43.3347240592507
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we focus on improving the online face liveness detection system to enhance the security of the downstream face recognition system. Most of the existing frame-based methods are suffering from the prediction inconsistency across time. To address the issue, a simple yet effective solution based on temporal consistency is proposed. Specifically, in the training stage, to integrate the temporal consistency constraint, a temporal self-supervision loss and a class consistency loss are proposed in addition to the softmax cross-entropy loss. In the deployment stage, a training-free non-parametric uncertainty estimation module is developed to smooth the predictions adaptively. Beyond the common evaluation approach, a video segment-based evaluation is proposed to accommodate more practical scenarios. Extensive experiments demonstrated that our solution is more robust against several presentation attacks in various scenarios, and significantly outperformed the state-of-the-art on multiple public datasets by at least 40% in terms of ACER. Besides, with much less computational complexity (33% fewer FLOPs), it provides great potential for low-latency online applications.
• Abstract（参考訳）: 本稿では,下流の顔認識システムのセキュリティを高めるために,オンラインの顔認識システムの改善に焦点をあてる。 既存のフレームベース手法のほとんどは、時とともに予測の不整合に苦しんでいる。 この問題に対処するため,時間的整合性に基づく単純かつ効果的な解法を提案する。 具体的には、トレーニング段階では、ソフトマックスクロスエントロピー損失に加えて、時間的一貫性制約、時間的自己スーパービジョン損失、クラス一貫性損失を統合する。 展開段階では、トレーニング不要な非パラメトリック不確実性推定モジュールを開発し、予測を適応的に円滑にする。 一般的な評価手法以外にも,より実践的なシナリオに対応するため,ビデオセグメントに基づく評価が提案されている。 大規模な実験により、我々のソリューションは様々なシナリオにおける複数のプレゼンテーションアタックに対してより堅牢であることが示され、ACERの少なくとも40%は、複数の公開データセットの最先端を著しく上回った。 さらに、計算の複雑さがはるかに少なく(33%少ないFLOP)、低レイテンシのオンラインアプリケーションには大きな可能性がある。

関連論文リスト

• How to Leverage Predictive Uncertainty Estimates for Reducing Catastrophic Forgetting in Online Continual Learning [12.33899500566626]
  この研究は、異なる不確実性推定とメモリの投入戦略を詳細に分析する。 負の対数類似度によって誘導される一般化分散を用いて予測の不確かさを推定する別の方法を提案する。 予測不確実性対策を用いることで, CFを異なる設定で低減できることが実証された。
  論文  参考訳（メタデータ） (2024-07-10T13:51:15Z)
• Federated Continual Learning Goes Online: Uncertainty-Aware Memory Management for Vision Tasks and Beyond [13.867793835583463]
  本稿では,破滅的な記憶を解消するための不確実性を考慮したメモリベース手法を提案する。 特定の特性を持つサンプルを検索し、そのようなサンプル上でモデルを再訓練することで、このアプローチの可能性を実証する。
  論文  参考訳（メタデータ） (2024-05-29T09:29:39Z)
• Improved Online Conformal Prediction via Strongly Adaptive Online Learning [86.4346936885507]
  我々は、強い適応的後悔を最小限に抑える新しいオンライン共形予測手法を開発した。 提案手法は,すべての区間において,ほぼ最適に適応的な後悔を同時に達成できることを実証する。 実験により,本手法は実世界のタスクにおける既存の手法よりも,より優れたカバレッジと予測セットが得られることがわかった。
  論文  参考訳（メタデータ） (2023-02-15T18:59:30Z)
• Uncertainty-aware LiDAR Panoptic Segmentation [21.89063036529791]
  本稿では,LiDAR点雲を用いた不確実性を考慮したパノプティックセグメンテーションの課題を解決するための新しいアプローチを提案する。 提案するEvLPSNetネットワークは,この課題をサンプリング不要で効率的に解決する最初の方法である。 我々は、最先端のパン光学セグメンテーションネットワークとサンプリング不要不確実性推定技術を組み合わせた、いくつかの強力なベースラインを提供する。
  論文  参考訳（メタデータ） (2022-10-10T07:54:57Z)
• Meta Adversarial Perturbations [66.43754467275967]
  メタ逆境摂動(MAP)の存在を示す。 MAPは1段階の上昇勾配更新によって更新された後、自然画像を高い確率で誤分類する。 これらの摂動は画像に依存しないだけでなく、モデルに依存しないものであり、単一の摂動は見えないデータポイントと異なるニューラルネットワークアーキテクチャにまたがってうまく一般化される。
  論文  参考訳（メタデータ） (2021-11-19T16:01:45Z)
• Minimum-Delay Adaptation in Non-Stationary Reinforcement Learning via Online High-Confidence Change-Point Detection [7.685002911021767]
  非定常環境におけるポリシーを効率的に学習するアルゴリズムを導入する。 これは、リアルタイム、高信頼な変更点検出統計において、潜在的に無限のデータストリームと計算を解析する。 i) このアルゴリズムは, 予期せぬ状況変化が検出されるまでの遅延を最小限に抑え, 迅速な応答を可能にする。
  論文  参考訳（メタデータ） (2021-05-20T01:57:52Z)
• Real-Time Uncertainty Estimation in Computer Vision via Uncertainty-Aware Distribution Distillation [18.712408359052667]
  本研究では,事前学習したドロップアウトモデルの条件付き予測分布を学習するための,簡易かつ簡便な蒸留法を提案する。 提案手法の有効性を,意味的セグメンテーションと深さ推定の両方で実証的に検証した。
  論文  参考訳（メタデータ） (2020-07-31T05:40:39Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)
• Optimizing for the Future in Non-Stationary MDPs [52.373873622008944]
  本稿では,今後の性能予測を最大化するポリシ勾配アルゴリズムを提案する。 我々のアルゴリズムであるPrognosticatorは2つのオンライン適応手法よりも非定常性に頑健であることを示す。
  論文  参考訳（メタデータ） (2020-05-17T03:41:19Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。