論文の概要: Deep Learning Based Single Sample Per Person Face Recognition: A Survey
- arxiv url: http://arxiv.org/abs/2006.11395v2
- Date: Wed, 10 Aug 2022 05:52:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 14:55:54.427032
- Title: Deep Learning Based Single Sample Per Person Face Recognition: A Survey
- Title（参考訳）: ディープラーニングに基づく1人1人当たりの顔認識:調査
- Authors: Fan Liu, Delong Chen, Fei Wang, Zewen Li, Feng Xu
- Abstract要約: 本稿では,深層学習に基づく手法に着目し,それらを仮想サンプル法と汎用学習法に分類する。
従来の手法と深い特徴を組み合わせること、損失関数を改善すること、ネットワーク構造を改善することの3つの方法がある。
- 参考スコア（独自算出の注目度）: 15.183859288214354
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Face recognition has long been an active research area in the field of
artificial intelligence, particularly since the rise of deep learning in recent
years. In some practical situations, each identity has only a single sample
available for training. Face recognition under this situation is referred to as
single sample face recognition and poses significant challenges to the
effective training of deep models. Therefore, in recent years, researchers have
attempted to unleash more potential of deep learning and improve the model
recognition performance in the single sample situation. While several
comprehensive surveys have been conducted on traditional single sample face
recognition approaches, emerging deep learning based methods are rarely
involved in these reviews. Accordingly, we focus on the deep learning-based
methods in this paper, classifying them into virtual sample methods and generic
learning methods. In the former category, virtual images or virtual features
are generated to benefit the training of the deep model. In the latter one,
additional multi-sample generic sets are used. There are three types of generic
learning methods: combining traditional methods and deep features, improving
the loss function, and improving network structure, all of which are covered in
our analysis. Moreover, we review face datasets that have been commonly used
for evaluating single sample face recognition models and go on to compare the
results of different types of models. Additionally, we discuss problems with
existing single sample face recognition methods, including identity information
preservation in virtual sample methods, domain adaption in generic learning
methods. Furthermore, we regard developing unsupervised methods is a promising
future direction, and point out that the semantic gap as an important issue
that needs to be further considered.
- Abstract（参考訳）: 顔認識は人工知能の分野で、特に近年のディープラーニングの台頭以来、長い間活発な研究分野となっている。
実践的な状況では、各idにはトレーニング用に利用可能なサンプルが1つだけある。
この状況下での顔認識は、単一のサンプル顔認識と呼ばれ、深層モデルの効果的な訓練に重大な課題をもたらす。
そのため,近年,深層学習の可能性を高め,単一サンプル環境でのモデル認識性能の向上を試みている。
従来の単一顔認証手法に関する総合的な調査はいくつか行われているが、深層学習に基づく手法はこれらのレビューにはほとんど関与していない。
そこで本稿では,深層学習に基づく手法に着目し,それらを仮想サンプル法と汎用学習法に分類する。
前者のカテゴリでは、深層モデルのトレーニングに役立てるために、仮想イメージや仮想特徴が生成される。
後者では、追加のマルチサンプルジェネリックセットが使用される。
従来の手法と深い特徴を組み合わせること、損失関数を改善すること、ネットワーク構造を改善することの3つの方法がある。
さらに、単一サンプル顔認識モデルの評価に広く用いられている顔データセットをレビューし、異なる種類のモデルの結果を比較した。
さらに,仮想サンプル法におけるアイデンティティ情報保存,ジェネリック学習法におけるドメイン適応など,既存の単一サンプル顔認識手法の問題点について論じる。
さらに,教師なし手法の開発は今後の方向性として有望であると考え,さらに検討すべき重要な課題として意味的ギャップを指摘する。
関連論文リスト
- Preview-based Category Contrastive Learning for Knowledge Distillation [53.551002781828146]
知識蒸留(PCKD)のための新しい予見型カテゴリーコントラスト学習法を提案する。
まず、インスタンスレベルの特徴対応と、インスタンスの特徴とカテゴリ中心の関係の両方の構造的知識を蒸留する。
カテゴリ表現を明示的に最適化し、インスタンスとカテゴリの表現を明確に関連付けることができる。
論文 参考訳（メタデータ） (2024-10-18T03:31:00Z) - UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。
我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
論文 参考訳（メタデータ） (2024-07-26T20:51:54Z) - BSDP: Brain-inspired Streaming Dual-level Perturbations for Online Open
World Object Detection [31.467501311528498]
私たちは、深層学習モデルを、人々の学習方法をシミュレートすることを目指しています。
既存のOWODアプローチは未知のカテゴリの同定に注意を払う一方で、漸進的な学習も非常に重要である。
本稿では,古い知識を忘れることなく,新しい知識を学習しやすくするために,古いサンプルの二重レベル情報を新しいサンプルの摂動として捉えた。
論文 参考訳（メタデータ） (2024-03-05T04:00:50Z) - Cross-Age Contrastive Learning for Age-Invariant Face Recognition [29.243096587091575]
年齢差の顔画像は一般的に収集が困難で費用がかかる。
異なる年齢の同じ被験者の画像は通常入手が困難または不可能である。
クロスエイジコントラスト学習(CACon)という,新たな半教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2023-12-18T13:41:21Z) - Segue: Side-information Guided Generative Unlearnable Examples for
Facial Privacy Protection in Real World [64.4289385463226]
生成不可能な例としては、Segue: Side-information guided Generative unlearnable Exampleを提案する。
転送性を向上させるために,真のラベルや擬似ラベルなどの側面情報を導入する。
JPEG圧縮、敵対的トレーニング、およびいくつかの標準的なデータ拡張に抵抗することができる。
論文 参考訳（メタデータ） (2023-10-24T06:22:37Z) - A survey on facial image deblurring [3.6775758132528877]
顔画像がぼやけていると、顔認識などのハイレベルな視覚タスクに大きな影響を与えます。
本稿では,最近発表された顔画像の難読化手法について概説し,その大部分はディープラーニングに基づくものである。
本稿では,データセットとメトリクスにおける古典的手法の性能を示すとともに,モデルに基づく手法と学習に基づく手法の違いについて,簡単な議論を行う。
論文 参考訳（メタデータ） (2023-02-10T02:24:56Z) - Generalization Properties of Retrieval-based Models [50.35325326050263]
検索ベースの機械学習手法は、幅広い問題で成功をおさめた。
これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。
本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
論文 参考訳（メタデータ） (2022-10-06T00:33:01Z) - Continual Learning with Bayesian Model based on a Fixed Pre-trained
Feature Extractor [55.9023096444383]
現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。
人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
論文 参考訳（メタデータ） (2022-04-28T08:41:51Z) - Deep Learning Based Person Re-Identification Methods: A Survey and
Outlook of Recent Works [5.202841879001503]
従来型および深層学習に基づくRe-ID手法を比較し,いくつかのRe-ID調査の主な貢献点を示す。
本稿では,従来のDeep Learning-based person Re-ID法に注目し,深層学習,局所的特徴学習,敵対的ネットワークの生成,シーケンス的特徴学習,グラフ畳み込みネットワークなどの手法について述べる。
論文 参考訳（メタデータ） (2021-10-10T11:23:47Z) - Cross-Domain Similarity Learning for Face Recognition in Unseen Domains [90.35908506994365]
本研究では,cdt(cross-domain triplet, クロスドメイントリプレット)の損失を推測する新しいクロスドメインメトリック学習損失法を提案する。
CDT損失は、一つのドメインからコンパクトな特徴クラスタを強制することによって意味論的に意味のある特徴の学習を促進する。
本手法では,トレーニング中,注意深いハードペアサンプルマイニングおよびフィルタリング戦略は必要としない。
論文 参考訳（メタデータ） (2021-03-12T19:48:01Z)
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。