論文の概要: ECML: An Ensemble Cascade Metric Learning Mechanism towards Face Verification

• arxiv url: http://arxiv.org/abs/2007.05720v1
• Date: Sat, 11 Jul 2020 08:47:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 13:35:33.196485
• Title: ECML: An Ensemble Cascade Metric Learning Mechanism towards Face Verification
• Title（参考訳）: ECML: 顔認証のためのアンサンブルカスケードメトリック学習機構
• Authors: Fu Xiong, Yang Xiao, Zhiguo Cao, Yancheng Wang, Joey Tianyi Zhou and Jianxi Wu
• Abstract要約: 特に、階層的メートル法学習はカスケード方式で実行され、不適合を緩和する。 顔の特徴分布特性を考慮し, 閉形解を用いたロバストなマハラノビス計量学習法(RMML)を提案する。 EC-RMMLは、顔認証のための最先端のメトリック学習法よりも優れている。
• 参考スコア（独自算出の注目度）: 50.137924223702264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face verification can be regarded as a 2-class fine-grained visual recognition problem. Enhancing the feature's discriminative power is one of the key problems to improve its performance. Metric learning technology is often applied to address this need, while achieving a good tradeoff between underfitting and overfitting plays the vital role in metric learning. Hence, we propose a novel ensemble cascade metric learning (ECML) mechanism. In particular, hierarchical metric learning is executed in the cascade way to alleviate underfitting. Meanwhile, at each learning level, the features are split into non-overlapping groups. Then, metric learning is executed among the feature groups in the ensemble manner to resist overfitting. Considering the feature distribution characteristics of faces, a robust Mahalanobis metric learning method (RMML) with closed-form solution is additionally proposed. It can avoid the computation failure issue on inverse matrix faced by some well-known metric learning approaches (e.g., KISSME). Embedding RMML into the proposed ECML mechanism, our metric learning paradigm (EC-RMML) can run in the one-pass learning manner. Experimental results demonstrate that EC-RMML is superior to state-of-the-art metric learning methods for face verification. And, the proposed ensemble cascade metric learning mechanism is also applicable to other metric learning approaches.
• Abstract（参考訳）: 顔認証は2クラスのきめ細かい視覚認識問題と見なすことができる。 機能の識別力を高めることが、パフォーマンスを改善する上で重要な問題のひとつです。 メトリック学習技術は、このニーズに対処するためにしばしば適用され、未適合と過剰適合の良好なトレードオフを達成することは、メトリック学習において重要な役割を担います。 そこで我々は,新しいアンサンブル・カスケード・メトリック・ラーニング(ECML)機構を提案する。 特に、階層的メトリック学習は、下位フィッティングを緩和するためにカスケード方法で実行される。 一方、各学習レベルでは、機能は重複しないグループに分割される。 そして、アンサンブル方式で特徴群間でメートル法学習を行い、オーバーフィッティングに抵抗する。 また,顔の特徴分布を考慮し,閉形式解を用いたロバストなマハラノビス計量学習法(rmml)を提案する。 有名なメトリック学習アプローチ(例えばkissme)が直面する逆行列の計算障害問題を回避することができる。 RMMLをECML機構に組み込むことで、メトリック学習パラダイム(EC-RMML)をワンパス学習方式で実行することができる。 実験により,EC-RMMLは顔認証のための最先端の計量学習法よりも優れていることが示された。 また,提案するアンサンブルカスケード計量学習機構は,他の計量学習手法にも適用可能である。

関連論文リスト

• DAAL: Density-Aware Adaptive Line Margin Loss for Multi-Modal Deep Metric Learning [1.9472493183927981]
  本稿では,DAAL(Dedentity-Aware Adaptive Margin Loss)と呼ばれる新しい損失関数を提案する。 DAALは、各クラス内の適応サブクラスタの形成を奨励しながら、埋め込みの密度分布を保存する。 ベンチマークによるきめ細かいデータセットの実験は、DAALの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-07T19:04:24Z)
• Adaptive neighborhood Metric learning [184.95321334661898]
  適応的近傍距離距離学習(ANML)という新しい距離距離距離距離距離距離学習アルゴリズムを提案する。 ANMLは線形埋め込みと深層埋め込みの両方を学ぶのに使うことができる。 本手法で提案するemphlog-exp平均関数は,深層学習手法をレビューするための新たな視点を与える。
  論文  参考訳（メタデータ） (2022-01-20T17:26:37Z)
• Adaptive Hierarchical Similarity Metric Learning with Noisy Labels [138.41576366096137]
  適応的階層的類似度メトリック学習法を提案する。 ノイズに敏感な2つの情報、すなわち、クラスワイドのばらつきとサンプルワイドの一貫性を考える。 提案手法は,現在の深層学習手法と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-10-29T02:12:18Z)
• MAML is a Noisy Contrastive Learner [72.04430033118426]
  モデルに依存しないメタラーニング(MAML)は、今日では最も人気があり広く採用されているメタラーニングアルゴリズムの1つである。 我々は、MAMLの動作メカニズムに対する新たな視点を提供し、以下に示すように、MAMLは、教師付きコントラスト目的関数を用いたメタラーナーに類似している。 このような干渉を軽減するため, 単純だが効果的な手法であるゼロ化手法を提案する。
  論文  参考訳（メタデータ） (2021-06-29T12:52:26Z)
• Towards Self-Adaptive Metric Learning On the Fly [16.61982837441342]
  我々は,適応的メトリック関数をオンザフライで学習する上で,オンライン適応メトリック学習(OAML)のオープンな課題に対処することを目指している。 従来のオンラインメトリック学習とは異なり、学習されたメトリックは非線形であり、モデルは自己適応的である必要があるため、OAMLははるかに困難である。 制約の流れから適応モデルの複雑性を備えたANNベースのメトリクスを学習することで、この課題に取り組む新しいオンラインメトリック学習フレームワークを紹介します。
  論文  参考訳（メタデータ） (2021-04-03T23:11:52Z)
• Performance Indicator in Multilinear Compressive Learning [106.12874293597754]
  マルチリニア圧縮学習(MCL)フレームワークは,多次元信号を扱う際の知覚と学習のステップを効率的に最適化するために提案された。 本稿では,入力信号の分解能,圧縮された測定値数,MCLの学習性能の関係を解析する。
  論文  参考訳（メタデータ） (2020-09-22T11:27:50Z)
• A Multilayer Framework for Online Metric Learning [71.31889711244739]
  本稿では,インスタンス間の非線形類似性を捉えるために,オンラインメトリック学習のための多層フレームワークを提案する。 マハラノビスをベースとした新しいオンラインメトリックラーニング(MOML)アルゴリズムは、受動攻撃戦略とワンパス三重項構築戦略に基づいて提案される。 提案したMLOMLは、いくつかの優れた特性を享受し、実際にメトリクスを漸進的に学習し、ベンチマークデータセットでより良いパフォーマンスを発揮する。
  論文  参考訳（メタデータ） (2018-05-15T01:10:18Z)

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。