論文の概要: Enhance Gender and Identity Preservation in Face Aging Simulation for
Infants and Toddlers
- arxiv url: http://arxiv.org/abs/2011.07431v1
- Date: Sun, 15 Nov 2020 01:40:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 07:05:25.171142
- Title: Enhance Gender and Identity Preservation in Face Aging Simulation for
Infants and Toddlers
- Title(参考訳): 乳幼児の顔の老化シミュレーションにおける性別とアイデンティティの保存性の向上
- Authors: Yao Xiao and Yijun Zhao
- Abstract要約: 本研究では,CAAE(Conditional Adversarial Autoencoder)モデルに触発された新しいディープラーニング手法を提案する。
UTKFaceデータセットを用いてモデルをトレーニングし,男性1,156名,女性1,207名,幼児1,207名を対象に,100年間の老化をシミュレートした。
- 参考スコア(独自算出の注目度): 10.447210000352847
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Realistic age-progressed photos provide invaluable biometric information in a
wide range of applications. In recent years, deep learning-based approaches
have made remarkable progress in modeling the aging process of the human face.
Nevertheless, it remains a challenging task to generate accurate age-progressed
faces from infant or toddler photos. In particular, the lack of visually
detectable gender characteristics and the drastic appearance changes in early
life contribute to the difficulty of the task. We propose a new deep learning
method inspired by the successful Conditional Adversarial Autoencoder (CAAE,
2017) model. In our approach, we extend the CAAE architecture to 1) incorporate
gender information, and 2) augment the model's overall architecture with an
identity-preserving component based on facial features. We trained our model
using the publicly available UTKFace dataset and evaluated our model by
simulating up to 100 years of aging on 1,156 male and 1,207 female infant and
toddler face photos. Compared to the CAAE approach, our new model demonstrates
noticeable visual improvements. Quantitatively, our model exhibits an overall
gain of 77.0% (male) and 13.8% (female) in gender fidelity measured by a gender
classifier for the simulated photos across the age spectrum. Our model also
demonstrates a 22.4% gain in identity preservation measured by a facial
recognition neural network.
- Abstract(参考訳): 現実的な年齢差の写真は、幅広いアプリケーションで貴重な生体情報を提供する。
近年、深層学習に基づくアプローチは、人間の顔の老化過程のモデリングにおいて顕著な進歩を遂げている。
それでも、幼児や幼児の写真から正確な年齢差の顔を生成することは難しい課題だ。
特に、視覚的に検出可能な性別特性の欠如と、初期生活における劇的な外観変化が課題の難しさに寄与している。
条件付きadversarial autoencoder(caae, 2017)モデルに触発された新しいディープラーニング手法を提案する。
このアプローチでは、CAAEアーキテクチャを拡張します。
1)性別情報を取り入れ、
2) モデル全体のアーキテクチャを顔の特徴に基づいたアイデンティティ保護コンポーネントで拡張する。
UTKFaceデータセットを用いてモデルをトレーニングし,男性1,156名,女性1,207名,幼児1,207名を対象に,100年間の老化をシミュレーションした。
CAAEアプローチと比較して、我々の新しいモデルは目立った視覚的改善を示す。
本モデルでは,性別分類器を用いて,年齢スペクトルにおける男女比の77.0% (男性) と13.8% (女性) の総合的な増加を示す。
また, 顔認証ニューラルネットワークを用いて, 身元保持率の22.4%向上を示す。
関連論文リスト
- A Hybrid Transformer-Sequencer approach for Age and Gender classification from in-wild facial images [1.7556999242499645]
本稿では,年齢と性別の分類問題に対する自己意識とBiLSTMアプローチを組み合わせたハイブリッドモデルを提案する。
提案モデルでは, 年齢と性別の分類のための最先端実装に比べて, 約10%, 6%の改善が注目されている。
論文 参考訳(メタデータ) (2024-03-19T06:40:06Z) - MiVOLO: Multi-input Transformer for Age and Gender Estimation [0.0]
最新の視覚変換器を用いた年齢・性別推定手法であるMiVOLOを提案する。
本手法は両タスクを統合された二重入力/出力モデルに統合する。
モデルの年齢認識性能を人間レベルの精度と比較し、ほとんどの年齢範囲で人間よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-07-10T14:58:10Z) - Young Labeled Faces in the Wild (YLFW): A Dataset for Children Faces
Recognition [0.0]
子どもの顔認識のためのベンチマークデータセットを,LFW, CALFW, CPLFW, XQLFW, AgeDBといった有名な顔認識ベンチマークと同様にコンパイルする。
また、子供の顔画像に顔認識モデルを適用するための開発データセットも提示する。
論文 参考訳(メタデータ) (2023-01-13T22:19:44Z) - LAE : Long-tailed Age Estimation [52.5745217752147]
まず、簡単な標準ベースラインを定式化し、事前トレーニング、データ拡張、モデルアーキテクチャなどのトリックを収集することで、はるかに強力なベースラインを構築します。
標準ベースラインと比較して,提案手法は推定誤差を著しく低減する。
本稿では,Long-tailed Age Estimation (LAE) という2段階の学習手法を提案する。
論文 参考訳(メタデータ) (2021-10-25T09:05:44Z) - SynFace: Face Recognition with Synthetic Data [83.15838126703719]
我々は、ID混在(IM)とドメイン混在(DM)を併用したSynFaceを考案し、パフォーマンスギャップを緩和する。
また、合成顔画像の系統的実験分析を行い、合成データを顔認識に効果的に活用する方法についての知見を提供する。
論文 参考訳(メタデータ) (2021-08-18T03:41:54Z) - FP-Age: Leveraging Face Parsing Attention for Facial Age Estimation in
the Wild [50.8865921538953]
年齢推定に顔のセマンティクスを明示的に組み込む手法を提案する。
我々は,顔解析に基づくネットワークを設計し,異なるスケールで意味情報を学習する。
提案手法は,既存の年齢推定手法を常に上回っていることを示す。
論文 参考訳(メタデータ) (2021-06-21T14:31:32Z) - Age Gap Reducer-GAN for Recognizing Age-Separated Faces [72.26969872180841]
本稿では,年齢変化に伴う顔と時間変化をマッチングする新しいアルゴリズムを提案する。
提案手法は,顔の年齢推定と年齢別顔の検証を組み合わせた統合フレームワークである。
論文 参考訳(メタデータ) (2020-11-11T16:43:32Z) - Age and Gender Prediction From Face Images Using Attentional
Convolutional Network [6.3344832182228]
注意的・残差畳み込みネットワークのアンサンブルに基づく深層学習の枠組みを提案し,高い精度で顔画像の性別と年齢を推定する。
我々のモデルは、一般的な顔年齢と性別のデータセットに基づいて訓練され、有望な結果を得た。
論文 参考訳(メタデータ) (2020-10-08T06:33:55Z) - Investigating Bias in Deep Face Analysis: The KANFace Dataset and
Empirical Study [67.3961439193994]
現在までに最も包括的で大規模な顔画像とビデオのデータセットを導入している。
データは、アイデンティティ、正確な年齢、性別、親族関係の点で手動で注釈付けされる。
提案したベンチマークでネットワーク埋め込みをデバイアス化する手法を導入し,テストした。
論文 参考訳(メタデータ) (2020-05-15T00:14:39Z) - Child Face Age-Progression via Deep Feature Aging [47.74474569938014]
本稿では,顔マーカによって出力される深層顔の特徴を経時変化させる機能老化モジュールを提案する。
提案手法は、ランク1の識別率95.91%で最先端の手法よりも優れている。
論文 参考訳(メタデータ) (2020-03-17T23:03:46Z)
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。