論文の概要: Deep Evolution for Facial Emotion Recognition

• arxiv url: http://arxiv.org/abs/2009.14194v2
• Date: Tue, 13 Oct 2020 13:21:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 05:00:26.636538
• Title: Deep Evolution for Facial Emotion Recognition
• Title（参考訳）: 表情認識のための深層進化
• Authors: Emmanuel Dufourq, Bruce A. Bassett
• Abstract要約: 深層表情認識は、長い訓練時間と解釈可能性の欠如という2つの課題に直面している。 本稿では,学習可能なパラメータの数を大幅に削減する進化的アルゴリズムに基づく新しい手法を提案する。 我々は、分類精度を損なうことなく、平均して95%のパラメータ数を確実に減らすことができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep facial expression recognition faces two challenges that both stem from the large number of trainable parameters: long training times and a lack of interpretability. We propose a novel method based on evolutionary algorithms, that deals with both challenges by massively reducing the number of trainable parameters, whilst simultaneously retaining classification performance, and in some cases achieving superior performance. We are robustly able to reduce the number of parameters on average by 95% (e.g. from 2M to 100k parameters) with no loss in classification accuracy. The algorithm learns to choose small patches from the image, relative to the nose, which carry the most important information about emotion, and which coincide with typical human choices of important features. Our work implements a novel form attention and shows that evolutionary algorithms are a valuable addition to machine learning in the deep learning era, both for reducing the number of parameters for facial expression recognition and for providing interpretable features that can help reduce bias.
• Abstract（参考訳）: 深層表情認識は、長いトレーニング時間と解釈可能性の欠如という、トレーニング可能なパラメータの多さから生じる2つの課題に直面している。 学習可能なパラメータの数を大幅に削減し,同時に分類性能を保ちながら,場合によっては優れた性能を実現する,進化アルゴリズムに基づく新しい手法を提案する。 分類精度を損なうことなく、平均で95%(例えば、2M から 100k のパラメータ)のパラメータ数を確実に減らすことができる。 アルゴリズムは、感情に関する最も重要な情報を持ち、重要な特徴の典型的な人間の選択と一致する鼻に対して、画像から小さなパッチを選択することを学ぶ。 我々の研究は、新しいフォームアテンションを実装し、進化的アルゴリズムは、顔認識のためのパラメータの数を減らし、バイアスを減らすのに役立つ解釈可能な機能を提供するために、ディープラーニング時代の機械学習に価値ある追加であることを示す。

関連論文リスト

• Efficient Verification-Based Face Identification [50.616875565173274]
  効率の良いニューラルモデルで顔認証を行う際の問題点を$f$で検討する。 我々のモデルは、23kパラメータと5M浮動小数点演算(FLOPS)しか必要としない、かなり小さな$f$に導かれる。 我々は、6つの顔認証データセットを用いて、我々の手法が最先端のモデルよりも同等か優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-20T18:08:02Z)
• Learning to mask: Towards generalized face forgery detection [10.155873909545198]
  フェースフォージェリ検出器にとって、偽造の見当たらない型に対する一般化性は不可欠である。 私たちの目標は、トレーニングフェーズで簡単に学習できる機能を減らすことで、特定のフォージェリータイプに過度に適合するリスクを減らすことです。 機能領域の偽造を合成するために、深い機能混在戦略も提案されている。
  論文  参考訳（メタデータ） (2022-12-29T13:55:28Z)
• CIAO! A Contrastive Adaptation Mechanism for Non-Universal Facial Expression Recognition [80.07590100872548]
  本稿では、顔エンコーダの最後の層に異なるデータセットの特定の感情特性を適応させるメカニズムであるContrastive Inhibitory Adaptati On(CIAO)を提案する。 CIAOは、非常にユニークな感情表現を持つ6つの異なるデータセットに対して、表情認識性能が改善されている。
  論文  参考訳（メタデータ） (2022-08-10T15:46:05Z)
• No Parameters Left Behind: Sensitivity Guided Adaptive Learning Rate for Training Large Transformer Models [132.90062129639705]
  本稿では,全てのパラメータを十分に訓練するための新しいトレーニング戦略を提案する。 感度の低いパラメータは冗長であり、学習率を高めて適合性を改善する。 対照的に、高い感度を持つパラメータを十分に訓練し、学習率を下げて正規化することで、さらなる過度なオーバーフィッティングを防止する。
  論文  参考訳（メタデータ） (2022-02-06T00:22:28Z)
• MOS: A Low Latency and Lightweight Framework for Face Detection, Landmark Localization, and Head Pose Estimation [37.537102697992395]
  顔検出,ランドマークの定位,頭部ポーズ推定を同時に行うために,低レイテンシで軽量なネットワークを提案する。 大きな角度の顔のランドマークを見つけることがより困難であるという観察に刺激され、学習を制限するためにポーズロスが提案される。 また,各タスクの重みを自動的に学習するために,不確実なマルチタスク損失を提案する。
  論文  参考訳（メタデータ） (2021-10-21T08:05:53Z)
• ResLT: Residual Learning for Long-tailed Recognition [64.19728932445523]
  本稿では,パラメータ空間の側面から,より基本的なロングテール認識の視点を提案する。 すべてのクラスから画像を認識するために最適化されたメインブランチと、medium+tailクラスとtailクラスからのイメージを強化するために徐々に2つの残りのブランチを融合して最適化する。 我々は、CIFAR-10、CIFAR-100、Places、ImageNet、iNaturalist 2018の長期バージョンであるいくつかのベンチマークでこの方法をテストする。
  論文  参考訳（メタデータ） (2021-01-26T08:43:50Z)
• ID-Reveal: Identity-aware DeepFake Video Detection [24.79483180234883]
  ID-Reveal(ID-Reveal)は、時間的顔の特徴を学習する新しいアプローチだ。 偽物のトレーニングデータは必要ありませんが、実際のビデオでトレーニングするだけです。 高圧縮映像における顔再現の精度は平均15%以上向上した。
  論文  参考訳（メタデータ） (2020-12-04T10:43:16Z)
• Multi-task Supervised Learning via Cross-learning [102.64082402388192]
  我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。 我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。 これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
  論文  参考訳（メタデータ） (2020-10-24T21:35:57Z)
• Micro-Facial Expression Recognition Based on Deep-Rooted Learning Algorithm [0.0]
  本稿では,MFEDRL(Micro-Facial Expression Based Deep-Rooted Learning)分類器を提案する。 アルゴリズムの性能は認識率と偽測度を用いて評価する。
  論文  参考訳（メタデータ） (2020-09-12T12:23:27Z)
• Loss Function Search for Face Recognition [75.79325080027908]
  最適な候補を自動的に獲得する報酬誘導探索法を開発した。 種々の顔認証ベンチマークの実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-07-10T03:40:10Z)

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。