論文の概要: SqueezeFacePoseNet: Lightweight Face Verification Across Different Poses for Mobile Platforms

• arxiv url: http://arxiv.org/abs/2007.08566v2
• Date: Mon, 16 Nov 2020 14:57:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 23:44:13.222384
• Title: SqueezeFacePoseNet: Lightweight Face Verification Across Different Poses for Mobile Platforms
• Title（参考訳）: squeezefaceposenet:モバイルプラットフォーム用のさまざまなポーズにわたる軽量顔認証
• Authors: Fernando Alonso-Fernandez, Javier Barrachina, Kevin Hernandez-Diaz, Josef Bigun
• Abstract要約: 顔認識技術は、モバイルデバイスでカメラが利用できることを考えると、信頼性が高く堅牢なユーザー認証を提供することができる。 ディープ畳み込みニューラルネットワークは、多くの正確な顔認証アーキテクチャをもたらすが、その典型的なサイズ(数百メガバイト)は、ダウンロード可能なモバイルアプリケーションに組み込むことができない。 我々は,より大規模なモデルと比較して,十分な精度で動作可能な数メガバイトの軽量な顔認識ネットワークを開発した。
• 参考スコア（独自算出の注目度）: 55.84746218227712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Virtual applications through mobile platforms are one of the most critical and ever-growing fields in AI, where ubiquitous and real-time person authentication has become critical after the breakthrough of all services provided via mobile devices. In this context, face verification technologies can provide reliable and robust user authentication, given the availability of cameras in these devices, as well as their widespread use in everyday applications. The rapid development of deep Convolutional Neural Networks has resulted in many accurate face verification architectures. However, their typical size (hundreds of megabytes) makes them infeasible to be incorporated in downloadable mobile applications where the entire file typically may not exceed 100 Mb. Accordingly, we address the challenge of developing a lightweight face recognition network of just a few megabytes that can operate with sufficient accuracy in comparison to much larger models. The network also should be able to operate under different poses, given the variability naturally observed in uncontrolled environments where mobile devices are typically used. In this paper, we adapt the lightweight SqueezeNet model, of just 4.4MB, to effectively provide cross-pose face recognition. After trained on the MS-Celeb-1M and VGGFace2 databases, our model achieves an EER of 1.23% on the difficult frontal vs. profile comparison, and0.54% on profile vs. profile images. Under less extreme variations involving frontal images in any of the enrolment/query images pair, EER is pushed down to<0.3%, and the FRR at FAR=0.1%to less than 1%. This makes our light model suitable for face recognition where at least acquisition of the enrolment image can be controlled. At the cost of a slight degradation in performance, we also test an even lighter model (of just 2.5MB) where regular convolutions are replaced with depth-wise separable convolutions.
• Abstract（参考訳）: モバイルプラットフォーム経由での仮想アプリケーションは、ユビキタスでリアルタイムな個人認証がモバイルデバイス経由で提供されるすべてのサービスの突破口となったAIにおいて、最も重要で成長を続ける分野の1つだ。 このコンテキストにおいて、顔認証技術は、これらのデバイスでカメラが利用できることや、日々のアプリケーションで広く使われていることを考えると、信頼性が高く堅牢なユーザー認証を提供することができる。 深層畳み込みニューラルネットワークの急速な発展は、多くの正確な顔検証アーキテクチャを生み出した。 しかし、それらの典型的サイズ(数十メガバイト)は、ファイル全体が通常100mbを超えない可能性のあるダウンロード可能なモバイルアプリケーションに組み込むことができない。 そこで,我々は,より大規模モデルと比較して十分な精度で動作可能な,わずか数メガバイトの軽量な顔認識ネットワークを開発するという課題に対処した。 モバイルデバイスが一般的に使用されている制御されていない環境で自然に観察される変動性を考えると、ネットワークは異なるポーズの下でも動作可能である必要がある。 本稿では、わずか4.4MBの軽量SqueezeNetモデルを適用し、効果的に顔認証を実現する。 MS-Celeb-1M と VGGFace2 データベースでトレーニングを行った結果,プロファイル比較の難易度は 1.23%,プロファイル比較の0.54% が得られた。 いずれかのエンローメント/クエリー画像対における前面画像の極端な変動の下では、EERは<0.3%まで押し下げられ、FAR=0.1%から1%未満のFRRとなる。 これにより、少なくともエンローメント画像の取得を制御できる顔認識に適した光モデルが得られる。 性能がわずかに低下するコストで、通常の畳み込みを深度的に分離可能な畳み込みに置き換えるより軽いモデル(2.5MB)をテストする。

関連論文リスト

• Raising the Bar of AI-generated Image Detection with CLIP [50.345365081177555]
  本研究の目的は、AI生成画像の普遍的検出のための事前学習された視覚言語モデル(VLM)の可能性を探ることである。 我々は,CLIP機能に基づく軽量な検出戦略を開発し,その性能を様々な難易度シナリオで検証する。
  論文  参考訳（メタデータ） (2023-11-30T21:11:20Z)
• SqueezerFaceNet: Reducing a Small Face Recognition CNN Even More Via Filter Pruning [55.84746218227712]
  我々は,100万パラメータ未満の軽量顔認識ネットワークであるSqueezerFaceNetを開発した。 性能を損なうことなく、さらに(最大40%)削減できることを示す。
  論文  参考訳（メタデータ） (2023-07-20T08:38:50Z)
• MicroISP: Processing 32MP Photos on Mobile Devices with Deep Learning [114.66037224769005]
  エッジデバイスに特化して設計された新しいMicroISPモデルを提案する。 提案したソリューションは,モバイルMLライブラリを使用して,最新のスマートフォン上で最大32MPの写真を処理できる。 モデルのアーキテクチャは柔軟で、計算能力の異なるデバイスに複雑性を調整することができる。
  論文  参考訳（メタデータ） (2022-11-08T17:40:50Z)
• Towards On-Device Face Recognition in Body-worn Cameras [0.0]
  本研究では,ボディカメラを用いた顔認識のための軽量MobileNet-V2, EfficientNet-B0, LightCNN-9, LightCNN-29モデルを評価する。 実験はbwcfaceデータセットで公開されている。
  論文  参考訳（メタデータ） (2021-04-07T22:24:57Z)
• FedFace: Collaborative Learning of Face Recognition Model [66.84737075622421]
  FedFaceは顔認識モデルの協調学習のためのフレームワークである。 各クライアントに格納された顔画像が、他のクライアントや中央ホストと共有されない、正確で汎用的な顔認識モデルを学ぶ。 コードとトレーニング済みモデルは公開される予定です。
  論文  参考訳（メタデータ） (2021-04-07T09:25:32Z)
• Facial Masks and Soft-Biometrics: Leveraging Face Recognition CNNs for Age and Gender Prediction on Mobile Ocular Images [53.913598771836924]
  スマートフォンで撮影した自撮り眼画像を使って年齢や性別を推定します。 ImageNet Challengeの文脈で提案された2つの既存の軽量CNNを適応させる。 一部のネットワークは顔認識のためにさらにトレーニングされており、非常に大規模なトレーニングデータベースが利用可能です。
  論文  参考訳（メタデータ） (2021-03-31T01:48:29Z)

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。