論文の概要: BroadFace: Looking at Tens of Thousands of People at Once for Face
Recognition
- arxiv url: http://arxiv.org/abs/2008.06674v1
- Date: Sat, 15 Aug 2020 08:17:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 21:01:39.947613
- Title: BroadFace: Looking at Tens of Thousands of People at Once for Face
Recognition
- Title(参考訳): broadface: 顔認識のために一度に数万人を見る
- Authors: Yonghyun Kim, Wonpyo Park, Jongju Shin
- Abstract要約: BroadFaceは、膨大なIDを包括的に検討する学習プロセスである。
BroadFaceでは、線形分類器は過去の繰り返しに蓄積された多数の埋め込みベクトルからアイデンティティ間の最適決定境界を学習する。
BroadFaceは、9つのデータセットを1:1の顔認証と1:Nの顔識別タスクで大幅に改善し、最先端の結果を達成する。
- 参考スコア(独自算出の注目度): 21.48535041822524
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The datasets of face recognition contain an enormous number of identities and
instances. However, conventional methods have difficulty in reflecting the
entire distribution of the datasets because a mini-batch of small size contains
only a small portion of all identities. To overcome this difficulty, we propose
a novel method called BroadFace, which is a learning process to consider a
massive set of identities, comprehensively. In BroadFace, a linear classifier
learns optimal decision boundaries among identities from a large number of
embedding vectors accumulated over past iterations. By referring more instances
at once, the optimality of the classifier is naturally increased on the entire
datasets. Thus, the encoder is also globally optimized by referring the weight
matrix of the classifier. Moreover, we propose a novel compensation method to
increase the number of referenced instances in the training stage. BroadFace
can be easily applied on many existing methods to accelerate a learning process
and obtain a significant improvement in accuracy without extra computational
burden at inference stage. We perform extensive ablation studies and
experiments on various datasets to show the effectiveness of BroadFace, and
also empirically prove the validity of our compensation method. BroadFace
achieves the state-of-the-art results with significant improvements on nine
datasets in 1:1 face verification and 1:N face identification tasks, and is
also effective in image retrieval.
- Abstract(参考訳): 顔認識のデータセットには、膨大な数のIDとインスタンスが含まれている。
しかし、サイズが小さいミニバッチは、すべてのidのごく一部しか含まないため、従来の手法ではデータセット全体の分布を反映することが困難である。
そこで本稿では,この課題を克服するために,膨大なid集合を包括的に考えるための学習プロセスであるbroadfaceを提案する。
BroadFaceでは、線形分類器は過去の繰り返しに蓄積された多数の埋め込みベクトルからアイデンティティ間の最適決定境界を学習する。
一度により多くのインスタンスを参照することで、分類器の最適性はデータセット全体に自然に増大する。
これにより、エンコーダも分類器の重み行列を参照してグローバルに最適化される。
また,トレーニング段階における参照インスタンス数を増やすための新たな補償手法を提案する。
BroadFaceは既存の多くの手法に簡単に適用でき、推論段階で余分な計算負担を伴わずに学習プロセスを加速し、精度を大幅に向上させることができる。
様々なデータセットについて広範なアブレーション実験を行い,ブロードフェイスの有効性を示すとともに,補償法の有効性を実証した。
BroadFaceは、9つのデータセットを1:1の顔認証と1:Nの顔識別タスクで大幅に改善し、画像検索にも有効である。
関連論文リスト
- Enhancing Representation Learning on High-Dimensional, Small-Size
Tabular Data: A Divide and Conquer Method with Ensembled VAEs [7.923088041693465]
特徴空間の部分集合の後方部分集合を学習するための軽量なVAEのアンサンブルを, 新規な分割コンカレントアプローチで結合後部分集合に集約する。
このアプローチは推論時に部分的な機能に対して堅牢であることを示し、ほとんどの機能が欠落していても、パフォーマンスの劣化がほとんどないことを示します。
論文 参考訳(メタデータ) (2023-06-27T17:55:31Z) - Learning Disentangled Representation for One-shot Progressive Face Swapping [92.09538942684539]
ジェネレーティブ・アドバーサリアル・ネットワークに基づくワンショット・フェイススワップのためのシンプルで効率的なFaceSwapperを提案する。
提案手法は,不整合表現モジュールと意味誘導融合モジュールから構成される。
本手法は,トレーニングサンプルの少ないベンチマークデータセットに対して,最先端の結果を得る。
論文 参考訳(メタデータ) (2022-03-24T11:19:04Z) - MogFace: Rethinking Scale Augmentation on the Face Detector [17.570686622370403]
本研究では,画像の前景情報と後景情報とスケール情報を含む先行ソリューションの違いについて検討する。
本稿では,これらの2つの情報を効率的に同時に同化できるSSE戦略を提案する。
本手法は,すべての顔検出ベンチマークにおける最先端検出性能を実現する。
論文 参考訳(メタデータ) (2021-03-20T09:17:04Z) - Generalized Iris Presentation Attack Detection Algorithm under
Cross-Database Settings [63.90855798947425]
プレゼンテーションアタックは、バイオメトリックなモダリティの大部分に大きな課題をもたらす。
本稿では,汎用的な深層学習に基づくプレゼンテーション攻撃検出ネットワークであるMVANetを提案する。
これはハイブリッドアルゴリズムの単純さと成功、あるいは複数の検出ネットワークの融合にインスパイアされている。
論文 参考訳(メタデータ) (2020-10-25T22:42:27Z) - Semi-Siamese Training for Shallow Face Learning [78.7386209619276]
セミ・シームズ・トレーニング(SST)という新しいトレーニング手法を導入する。
一対のセミ・シームズネットワークが前方伝播構造を構成し、トレーニング損失を更新ギャラリーキューで計算する。
提案手法は外部依存を伴わずに開発されており,既存の損失関数やネットワークアーキテクチャと柔軟に統合することができる。
論文 参考訳(メタデータ) (2020-07-16T15:20:04Z) - GroupFace: Learning Latent Groups and Constructing Group-based
Representations for Face Recognition [20.407167858663453]
組込み機能の品質を向上させるために,グループフェイスと呼ばれる新しい顔認識特化アーキテクチャを提案する。
提案手法は,人間のアノテーションを付加せずに各グループに属するサンプル数のバランスをとる自己分散ラベルを提供する。
提案手法のすべてのコンポーネントは、計算複雑性を極端に増加させることなく、エンドツーエンドで訓練することができる。
論文 参考訳(メタデータ) (2020-05-21T07:30:34Z) - Boosting Unconstrained Face Recognition with Auxiliary Unlabeled Data [59.85605718477639]
本稿では,ラベルのない顔を用いて一般化可能な顔表現を学習する手法を提案する。
制約のないデータセットに対する実験結果から、十分な多様性を持つ少量のラベル付きデータが認識性能を向上させる可能性が示唆された。
論文 参考訳(メタデータ) (2020-03-17T20:58:56Z) - Towards Universal Representation Learning for Deep Face Recognition [106.21744671876704]
対象のドメイン知識を活用せずに、与えられたトレーニングデータに見つからない大きな変化に対処できる普遍的な表現学習フレームワークを提案する。
実験により,LFW や MegaFace などの一般的な顔認識データセットにおいて,本手法が最高性能を実現することを示す。
論文 参考訳(メタデータ) (2020-02-26T23:29:57Z) - Intra-Camera Supervised Person Re-Identification [87.88852321309433]
本稿では,カメラごとの個人識別アノテーションに基づく新しい人物識別パラダイムを提案する。
これにより、最も時間がかかり、面倒なカメラ間IDラベリングプロセスがなくなる。
MATE(Multi-tAsk mulTi-labEl)Deep Learning method for intra-Camera Supervised (ICS) person re-id。
論文 参考訳(メタデータ) (2020-02-12T15:26:33Z)
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。