論文の概要: Achieving Better Kinship Recognition Through Better Baseline

• arxiv url: http://arxiv.org/abs/2006.11739v1
• Date: Sun, 21 Jun 2020 08:40:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 12:25:44.687690
• Title: Achieving Better Kinship Recognition Through Better Baseline
• Title（参考訳）: より良いベースラインによる血縁認識の実現
• Authors: Andrei Shadrikov
• Abstract要約: 本稿では,RetinaFaceに基づく親族検索と自動親族認識タスクのための新しいベースラインを提案する。 我々は,近年のRecognizing Families In the Wild Data Challengeにおいて,2トラックで最先端のパフォーマンスを実現するパイプラインを構築した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recognizing blood relations using face images can be seen as an application of face recognition systems with additional restrictions. These restrictions proved to be difficult to deal with, however, recent advancements in face verification show that there is still much to gain using more data and novel ideas. As a result face recognition is a great source domain from which we can transfer the knowledge to get better performance in kinship recognition as a source domain. We present a new baseline for an automatic kinship recognition task and relatives search based on RetinaFace[1] for face registration and ArcFace[2] face verification model. With the approach described above as the foundation, we constructed a pipeline that achieved state-of-the-art performance on two tracks in the recent Recognizing Families In the Wild Data Challenge.
• Abstract（参考訳）: 顔画像を用いた血縁関係の認識は、追加の制限を伴う顔認識システムの応用と見なすことができる。 これらの制限は対処が難しいことが判明したが、近年の顔認証の進歩により、より多くのデータや新しいアイデアを使う必要があることが判明した。 その結果、顔認識は、ソースドメインとしてのキンシップ認識において、よりよいパフォーマンスを得るために知識を転送できる優れたソースドメインになります。 本稿では、顔登録のためのRetinaFace[1]とArcFace[2]顔認証モデルに基づく親類検索と自動親族認識タスクのための新しいベースラインを提案する。 上記のアプローチを基礎として,最近のRecognizing Families In the Wild Data Challengeにおいて,2トラックで最先端のパフォーマンスを実現するパイプラインを構築した。

関連論文リスト

• A Powerful Face Preprocessing For Robust Kinship Verification based Tensor Analyses [0.6829272097221595]
  子どもと親の顔画像から始まる関連性をチェックするシステムを導入し,その関連性の有無を明らかにする。 以上の結果から,現在使用されている他の戦略と比較すると,システムは堅牢であることがわかった。
  論文  参考訳（メタデータ） (2023-12-18T15:33:26Z)
• DeepFidelity: Perceptual Forgery Fidelity Assessment for Deepfake Detection [67.3143177137102]
  ディープフェイク検出(Deepfake detection)とは、画像やビデオにおいて、人工的に生成された顔や編集された顔を検出すること。 本稿では,実顔と偽顔とを適応的に識別するDeepFidelityという新しいDeepfake検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-07T07:19:45Z)
• Effective Adapter for Face Recognition in the Wild [72.75516495170199]
  私たちは、画像が低品質で現実世界の歪みに悩まされる、野生の顔認識の課題に取り組みます。 従来のアプローチでは、劣化した画像や、顔の復元技術を使って強化された画像を直接訓練するが、効果がないことが証明された。 高品質な顔データセットで訓練された既存の顔認識モデルを強化するための効果的なアダプタを提案する。
  論文  参考訳（メタデータ） (2023-12-04T08:55:46Z)
• Explanation of Face Recognition via Saliency Maps [13.334500258498798]
  本稿では,説明可能な顔認識(XFR)の厳密な定義を提案する。 次に、類似性に基づくRISEアルゴリズム(S-RISE)を導入し、高品質なビジュアル・サリエンシ・マップを作成する。 一般的なビジュアル・サリエンシに基づくXFR手法の信頼性と精度を体系的に評価するための評価手法を提案する。
  論文  参考訳（メタデータ） (2023-04-12T19:04:21Z)
• Vec2Face-v2: Unveil Human Faces from their Blackbox Features via Attention-based Network in Face Recognition [36.23997331928846]
  蒸留フレームワーク(DAB-GAN)における意図に基づく客観的生成適応ネットワーク(Bijective Generative Adversarial Networks)と呼ばれる新しい手法を提案する。 DAB-GAN法は、新しく定義されたBijective Metrics Learningアプローチによる、新しい注意に基づく生成構造を含む。 我々は,難解な顔認識データベースについて評価を行った。
  論文  参考訳（メタデータ） (2022-09-11T19:14:21Z)
• DuetFace: Collaborative Privacy-Preserving Face Recognition via Channel Splitting in the Frequency Domain [23.4606547767188]
  DuetFaceは、周波数領域における協調推論を利用するプライバシー保護の顔認識手法である。 提案手法は、保護されていないArcFaceと同等の認識精度とコストを達成し、最先端のプライバシ保存手法より優れている。
  論文  参考訳（メタデータ） (2022-07-15T08:35:44Z)
• SynFace: Face Recognition with Synthetic Data [83.15838126703719]
  我々は、ID混在(IM)とドメイン混在(DM)を併用したSynFaceを考案し、パフォーマンスギャップを緩和する。 また、合成顔画像の系統的実験分析を行い、合成データを顔認識に効果的に活用する方法についての知見を提供する。
  論文  参考訳（メタデータ） (2021-08-18T03:41:54Z)
• FaceX-Zoo: A PyTorch Toolbox for Face Recognition [62.038018324643325]
  顔認識の研究開発コミュニティを指向した新しいオープンソースフレームワーク、FaceX-Zooを紹介します。 facex-zooは、さまざまな監視ヘッドとバックボーンを備えたトレーニングモジュールを提供する。 訓練されたモデルの検証とプライマリアプリケーションのために、シンプルで機能的なFace SDKが提供されます。
  論文  参考訳（メタデータ） (2021-01-12T11:06:50Z)
• The Elements of End-to-end Deep Face Recognition: A Survey of Recent Advances [56.432660252331495]
  顔認識はコンピュータビジョンにおいて最も人気があり、長く続いたトピックの1つである。 ディープフェイス認識は目覚ましい進歩を遂げ、多くの現実世界のアプリケーションで広く利用されている。 本稿では,各要素の最近の進歩を概観する。
  論文  参考訳（メタデータ） (2020-09-28T13:02:17Z)
• Recognizing Families through Images with Pretrained Encoder [0.1909808926064466]
  血縁検証と血縁検索はコンピュータビジョンにおける新たな課題である。 我々は、FaceNet, Siamese VGG-Face の3つの手法と、FaceNet と VGG-Face のモデルを組み合わせて特徴抽出を行う。
  論文  参考訳（メタデータ） (2020-05-24T17:59:19Z)
• Investigating the Impact of Inclusion in Face Recognition Training Data on Individual Face Identification [93.5538147928669]
  最新のオープンソースの顔認識システムであるArcFaceを、100万枚以上の散らばった画像を用いた大規模な顔識別実験で監査する。 モデルのトレーニングデータには79.71%、存在しない人には75.73%のランク1顔認証精度がある。
  論文  参考訳（メタデータ） (2020-01-09T15:50:28Z)

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。