論文の概要: SwiftFace: Real-Time Face Detection
- arxiv url: http://arxiv.org/abs/2009.13743v1
- Date: Tue, 29 Sep 2020 03:09:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 06:11:58.229444
- Title: SwiftFace: Real-Time Face Detection
- Title（参考訳）: SwiftFace: リアルタイム顔検出
- Authors: Leonardo Ramos, Bernardo Morales
- Abstract要約: SwiftFaceは、高速な顔検出モデルのみのために開発された、新しいディープラーニングモデルである。
SwiftFaceは顔検出のみに集中することで、現在の最先端の顔検出モデルよりも30%高速に動作します。
- 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: Computer vision is a field of artificial intelligence that trains computers
to interpret the visual world in a way similar to that of humans. Due to the
rapid advancements in technology and the increasing availability of
sufficiently large training datasets, the topics within computer vision have
experienced a steep growth in the last decade. Among them, one of the most
promising fields is face detection. Being used daily in a wide variety of
fields; from mobile apps and augmented reality for entertainment purposes, to
social studies and security cameras; designing high-performance models for face
detection is crucial. On top of that, with the aforementioned growth in face
detection technologies, precision and accuracy are no longer the only relevant
factors: for real-time face detection, speed of detection is essential.
SwiftFace is a novel deep learning model created solely to be a fast face
detection model. By focusing only on detecting faces, SwiftFace performs 30%
faster than current state-of-the-art face detection models. Code available at
https://github.com/leo7r/swiftface
- Abstract（参考訳）: コンピュータビジョン(英: computer vision)は、コンピュータに人間のものと似た方法で視覚世界を解釈するように訓練する人工知能の分野である。
技術の急速な進歩と十分な大規模トレーニングデータセットの可用性の増大により、コンピュータビジョンにおけるトピックは、この10年で急激に成長した。
その中でも最も有望な分野は顔検出である。
モバイルアプリやエンターテイメント目的の拡張現実、社会研究やセキュリティカメラ、顔検出のための高性能モデルの設計など、さまざまな分野で毎日使用されていることは、非常に重要です。
それに加えて、前述の顔検出技術の成長に伴い、精度と精度がもはや関係する唯一の要因ではない:リアルタイム顔検出では、検出の速度が不可欠である。
SwiftFaceは、高速な顔検出モデルのみのために開発された、新しいディープラーニングモデルである。
SwiftFaceは顔検出のみに集中することで、現在の最先端の顔検出モデルよりも30%高速に動作します。
コードはhttps://github.com/leo7r/swiftfaceで利用可能
関連論文リスト
- Face Detection: Present State and Research Directions [2.9096855119068223]
顔検出には、このトピックに関する多くの研究にもかかわらず、まだ問題がある。
このレビュー論文は、この分野における進歩と、まだ取り組まなければならない重大な課題を示している。
論文 参考訳（メタデータ） (2024-02-06T08:29:39Z) - Exploring Decision-based Black-box Attacks on Face Forgery Detection [53.181920529225906]
顔の偽造生成技術は鮮明な顔を生み出し、セキュリティとプライバシーに対する世間の懸念を高めている。
顔偽造検出は偽の顔の識別に成功しているが、最近の研究では顔偽造検出は敵の例に対して非常に脆弱であることが示されている。
論文 参考訳（メタデータ） (2023-10-18T14:49:54Z) - Introducing Explicit Gaze Constraints to Face Swapping [1.9386396954290932]
顔交換は、一方の顔のアイデンティティと他方の顔の非外観属性を組み合わせることで、合成顔を生成する。
顔全体を考慮した画像に基づく損失測定は、知覚的に重要で空間的に小さい眼領域を効果的に捉えていない。
本稿では、視線予測を利用してトレーニング中に顔スワップモデルに通知し、既存の方法と比較する新しい損失関数を提案する。
論文 参考訳（メタデータ） (2023-05-25T15:12:08Z) - Multiface: A Dataset for Neural Face Rendering [108.44505415073579]
本研究では,新しいマルチビュー,高解像度のヒューマン・フェイス・データセットであるMultifaceを提案する。
顔のパフォーマンスの高解像度同期映像をキャプチャする大規模なマルチカメラ装置であるMugsyを紹介する。
Multifaceの目的は、学術コミュニティにおける高品質データへのアクセシビリティのギャップを埋め、VRテレプレゼンスの研究を可能にすることである。
論文 参考訳（メタデータ） (2022-07-22T17:55:39Z) - A new face swap method for image and video domains: a technical report [60.47144478048589]
FaceShifterアーキテクチャに基づいた新しいフェイススワップパイプラインを導入する。
新しいアイロス機能、超解像ブロック、ガウスベースのフェイスマスク生成は、品質改善につながる。
論文 参考訳（メタデータ） (2022-02-07T10:15:50Z) - Detect Faces Efficiently: A Survey and Evaluations [13.105528567365281]
顔認識、表情認識、顔追跡、頭部推定を含む多くの応用は、画像中の顔の位置と大きさの両方が知られていると仮定する。
ディープラーニング技術は、かなりの計算量の増加と共に、対面検出に驚くべきブレークスルーをもたらした。
本稿では, 代表的な深層学習手法を紹介し, 精度と効率性の観点から, 深く, 徹底的な分析を行う。
論文 参考訳（メタデータ） (2021-12-03T08:39:40Z) - 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) - Going Deeper Into Face Detection: A Survey [30.711114908611563]
顔検出は、多くの顔認識および顔分析システムの重要な第一歩です。
2012年、ディープニューラルネットワークを用いた画像分類における画期的な取り組みにより、顔検出のパラダイムは大きく変化した。
本研究では,最も代表的な深層学習に基づく顔検出手法について詳細に概説する。
論文 参考訳（メタデータ） (2021-03-27T20:18:00Z) - Face Recognition using 3D CNNs [14.26473757011463]
我々はCVBLビデオデータセットという独自のビデオデータセットを開発した。
ビデオにおける顔認識に3D CNNを使用すると、CVBLデータセット上で97%の精度で有望な結果が得られる。
論文 参考訳（メタデータ） (2021-02-02T11:31:40Z) - Face Super-Resolution Guided by 3D Facial Priors [92.23902886737832]
シャープな顔構造を把握した3次元顔先行情報を明示的に組み込んだ新しい顔超解像法を提案する。
我々の研究は、顔属性のパラメトリック記述の融合に基づく3次元形態的知識を初めて探求したものである。
提案した3D先行画像は、最先端技術よりも優れた顔超解像結果が得られる。
論文 参考訳（メタデータ） (2020-07-18T15:26:07Z) - 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。