論文の概要: DBLFace: Domain-Based Labels for NIR-VIS Heterogeneous Face Recognition

• arxiv url: http://arxiv.org/abs/2010.03771v1
• Date: Thu, 8 Oct 2020 05:22:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 12:25:11.183572
• Title: DBLFace: Domain-Based Labels for NIR-VIS Heterogeneous Face Recognition
• Title（参考訳）: DBLFace: NIR-VIS異種顔認識のためのドメインベースラベル
• Authors: Ha Le and Ioannis A. Kakadiaris
• Abstract要約: ドメインベースラベルフェイス(Domain-Based Label Face、DBLFace)は、対象が単一のラベルではなくラベルの集合によって表されるという仮定に基づく学習手法である。 特に、NIR画像とVIS画像の2つのラベルセットを用いて、NIR-VIS顔認識モデルのトレーニングを行う。 DBLFaceはEDGE20データセットでランク1の識別率を6.7%向上させ、CASIA NIR-VIS 2.0データセットで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 5.076419064097733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based domain-invariant feature learning methods are advancing in near-infrared and visible (NIR-VIS) heterogeneous face recognition. However, these methods are prone to overfitting due to the large intra-class variation and the lack of NIR images for training. In this paper, we introduce Domain-Based Label Face (DBLFace), a learning approach based on the assumption that a subject is not represented by a single label but by a set of labels. Each label represents images of a specific domain. In particular, a set of two labels per subject, one for the NIR images and one for the VIS images, are used for training a NIR-VIS face recognition model. The classification of images into different domains reduces the intra-class variation and lessens the negative impact of data imbalance in training. To train a network with sets of labels, we introduce a domain-based angular margin loss and a maximum angular loss to maintain the inter-class discrepancy and to enforce the close relationship of labels in a set. Quantitative experiments confirm that DBLFace significantly improves the rank-1 identification rate by 6.7% on the EDGE20 dataset and achieves state-of-the-art performance on the CASIA NIR-VIS 2.0 dataset.
• Abstract（参考訳）: 深層学習に基づくドメイン不変の特徴学習手法は近赤外・可視(NIR-VIS)異種顔認識において進歩している。 しかし、これらの手法は、クラス内の大きな変動とトレーニングのためのNIR画像の欠如により、過度に適合する傾向にある。 本稿では,対象が単一のラベルではなく,ラベルの集合によって表現されるという仮定に基づく学習手法であるDomain-Based Label Face(DBLFace)を紹介する。 各ラベルは特定のドメインの画像を表す。 特に、NIR画像とVIS画像の2つのラベルセットを用いて、NIR-VIS顔認識モデルのトレーニングを行う。 画像の異なる領域への分類は、クラス内の変動を減らし、トレーニングにおけるデータ不均衡の負の影響を減らす。 ラベルの集合でネットワークを訓練するために、ドメインベースの角マージン損失と最大角マージン損失を導入し、クラス間の不一致を維持し、セット内のラベルの密接な関係を強制する。 定量的実験により、DBLFaceはEDGE20データセットでランク1の識別率を6.7%改善し、CAIA NIR-VIS 2.0データセットで最先端のパフォーマンスを達成した。

関連論文リスト

• Rethinking the Domain Gap in Near-infrared Face Recognition [65.7871950460781]
  不均一顔認識(HFR)は、視覚領域(VIS)と近赤外領域(NIR)にまたがる複雑な顔画像マッチング作業を伴う。 HFRに関する既存の文献の多くは、ドメインギャップを主要な課題と認識し、それを入力レベルまたは機能レベルでブリッジする取り組みを指示している。 大規模同質なVISデータで事前トレーニングを行った場合、大規模ニューラルネットワークはより小さなニューラルネットワークとは異なり、HFRでは例外的なゼロショット性能を示す。
  論文  参考訳（メタデータ） (2023-12-01T14:43:28Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Physically-Based Face Rendering for NIR-VIS Face Recognition [165.54414962403555]
  近赤外(NIR)と可視(VIS)の顔マッチングは、大きなドメインギャップのために困難である。 NIR-VIS対顔画像生成のための新しい手法を提案する。 アイデンティティ特徴学習を容易にするために,IDentityに基づく最大平均離散性(ID-MMD)損失を提案する。
  論文  参考訳（メタデータ） (2022-11-11T18:48:16Z)
• NIR-to-VIS Face Recognition via Embedding Relations and Coordinates of the Pairwise Features [5.044100238869375]
  顔認識モデルに簡単に追加可能な'Relation Module'を提案する。 顔画像から抽出された局所特徴は、顔の各成分の情報を含む。 提案モジュールでは14.81%のランク-1精度と15.47%の検証率で0.1%のFAR改善を実現した。
  論文  参考訳（メタデータ） (2022-08-04T02:53:44Z)
• Learning Discriminative Representations for Multi-Label Image Recognition [13.13795708478267]
  マルチラベルタスクにおける識別的特徴を学習するための統合深層ネットワークを提案する。 ネットワーク全体を正規化することで、よく知られたResNet-101の適用性能が大幅に向上する。
  論文  参考訳（メタデータ） (2021-07-23T12:10:46Z)
• SSKD: Self-Supervised Knowledge Distillation for Cross Domain Adaptive Person Re-Identification [25.96221714337815]
  ドメイン適応型人物再識別(re-ID)は、ソースドメインとターゲットドメインの間に大きな違いがあるため、難しい課題である。 既存の手法は主にクラスタリングアルゴリズムによって未ラベルのターゲット画像の擬似ラベルを生成する。 本稿では,識別学習とソフトラベル学習の2つのモジュールを含む自己監督的知識蒸留(SSKD)手法を提案する。
  論文  参考訳（メタデータ） (2020-09-13T10:12:02Z)
• Instance-Aware Graph Convolutional Network for Multi-Label Classification [55.131166957803345]
  グラフ畳み込みニューラルネットワーク(GCN)は、マルチラベル画像認識タスクを効果的に強化した。 マルチラベル分類のための事例対応グラフ畳み込みニューラルネットワーク(IA-GCN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-19T12:49:28Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。