論文の概要: Low-Resolution Face Recognition In Resource-Constrained Environments
- arxiv url: http://arxiv.org/abs/2011.11674v1
- Date: Mon, 23 Nov 2020 19:14:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 02:39:07.864070
- Title: Low-Resolution Face Recognition In Resource-Constrained Environments
- Title(参考訳): 資源制約環境における低解像度顔認識
- Authors: Mozhdeh Rouhsedaghat and Yifan Wang and Shuowen Hu and Suya You and
C.-C. Jay Kuo
- Abstract要約: 本研究では,非パラメトリック低解像度顔認識モデルを提案する。
少数のラベル付きデータサンプルで、トレーニングの複雑さが低く、低解像度の入力イメージでトレーニングすることができる。
提案モデルの有効性は,LFWとCMU Multi-PIEデータセットの実験によって実証された。
- 参考スコア(独自算出の注目度): 34.13093606945265
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A non-parametric low-resolution face recognition model for
resource-constrained environments with limited networking and computing is
proposed in this work. Such environments often demand a small model capable of
being effectively trained on a small number of labeled data samples, with low
training complexity, and low-resolution input images. To address these
challenges, we adopt an emerging explainable machine learning methodology
called successive subspace learning (SSL).SSL offers an explainable
non-parametric model that flexibly trades the model size for verification
performance. Its training complexity is significantly lower since its model is
trained in a one-pass feedforward manner without backpropagation. Furthermore,
active learning can be conveniently incorporated to reduce the labeling cost.
The effectiveness of the proposed model is demonstrated by experiments on the
LFW and the CMU Multi-PIE datasets.
- Abstract(参考訳): 本稿では,ネットワークとコンピューティングに制限のある資源制約環境における非パラメトリック低解像度顔認識モデルを提案する。
このような環境は、少ないトレーニング複雑さと低解像度の入力画像で、少数のラベル付きデータサンプルで効果的にトレーニングできる小さなモデルを要求することが多い。
これらの課題に対処するために、逐次サブスペース学習(SSL)と呼ばれる、新たな説明可能な機械学習手法を採用する。
SSLは、検証パフォーマンスのためにモデルサイズを柔軟に交換する、説明可能な非パラメトリックモデルを提供する。
モデルがバックプロパゲーションなしで1パスフィードフォワードでトレーニングされるため、トレーニングの複雑さは大幅に低下する。
さらに、ラベリングコストを低減するために、能動的学習を便利に組み込むことができる。
提案モデルの有効性はLFWとCMU Multi-PIEデータセットの実験によって実証された。
関連論文リスト
- Adv-KD: Adversarial Knowledge Distillation for Faster Diffusion Sampling [2.91204440475204]
拡散確率モデル(DPM)は、深層生成モデルの強力なクラスとして登場した。
それらは、サンプル生成中にシーケンシャルなデノイングステップに依存している。
モデルアーキテクチャに直接位相を分解する新しい手法を提案する。
論文 参考訳(メタデータ) (2024-05-31T08:19:44Z) - Querying Easily Flip-flopped Samples for Deep Active Learning [63.62397322172216]
アクティブラーニング(英: Active Learning)は、ラベルのないデータを戦略的に選択してクエリすることで、モデルの性能を向上させることを目的とした機械学習パラダイムである。
効果的な選択戦略の1つはモデルの予測の不確実性に基づくもので、サンプルがどの程度情報的であるかの尺度として解釈できる。
本稿では,予測されたラベルの不一致の最小確率として,最小不一致距離(LDM)を提案する。
論文 参考訳(メタデータ) (2024-01-18T08:12:23Z) - EsaCL: Efficient Continual Learning of Sparse Models [10.227171407348326]
連続的な学習設定の主な課題は、以前に学習したタスクを実行する方法を忘れずに、タスクのシーケンスを効率的に学習することである。
本研究では,モデルの予測力に悪影響を及ぼすことなく,冗長なパラメータを自動生成する,スパースモデル(EsaCL)の効率的な連続学習法を提案する。
論文 参考訳(メタデータ) (2024-01-11T04:59:44Z) - Retrieval-based Knowledge Transfer: An Effective Approach for Extreme
Large Language Model Compression [64.07696663255155]
大規模事前学習型言語モデル(LLM)は、様々な自然言語処理(NLP)タスクにおいて例外的な性能を示した。
しかし、これらのモデルの巨大なサイズは、現実世界のアプリケーションに展開する上で大きな課題をもたらします。
本稿では,LLMの知識を極めて小規模なモデルに効果的に伝達するRetrieval-based Knowledge Transfer (RetriKT)と呼ばれる新しい圧縮パラダイムを提案する。
論文 参考訳(メタデータ) (2023-10-24T07:58:20Z) - Learning a model is paramount for sample efficiency in reinforcement
learning control of PDEs [5.488334211013093]
RLエージェントの訓練と並行して動作モデルを学ぶことで,実システムからサンプリングしたデータ量を大幅に削減できることを示す。
また、RLトレーニングのバイアスを避けるために、モデルを反復的に更新することが重要であることも示している。
論文 参考訳(メタデータ) (2023-02-14T16:14:39Z) - Learnability of Competitive Threshold Models [11.005966612053262]
理論的観点から,競合しきい値モデルの学習可能性について検討する。
ニューラルネットワークによって競合しきい値モデルをシームレスにシミュレートする方法を実証する。
論文 参考訳(メタデータ) (2022-05-08T01:11:51Z) - A Practical Contrastive Learning Framework for Single-Image
Super-Resolution [51.422185656787285]
コントラスト学習に基づく単一画像の超解像を2つの視点から検討する。
SISR のための実践的コントラスト学習フレームワーク PCL-SR を提案する。
既存のベンチマーク手法と比較して,提案手法をPCL-SRフレームワークで再学習し,優れた性能を実現する。
論文 参考訳(メタデータ) (2021-11-27T15:42:12Z) - DEALIO: Data-Efficient Adversarial Learning for Imitation from
Observation [57.358212277226315]
観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。
近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。
この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。
よりデータ効率の高いifOアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-31T23:46:32Z) - Model-free Representation Learning and Exploration in Low-rank MDPs [64.72023662543363]
低位mdpに対して,最初のモデルフリー表現学習アルゴリズムを提案する。
主要なアルゴリズムの貢献は新しいミニマックス表現の学習の目的です。
結果は複雑な環境にスケールする一般的な関数近似を収容できます。
論文 参考訳(メタデータ) (2021-02-14T00:06:54Z) - Learning Diverse Representations for Fast Adaptation to Distribution
Shift [78.83747601814669]
本稿では,複数のモデルを学習する手法を提案する。
分散シフトへの迅速な適応を促進するフレームワークの能力を実証する。
論文 参考訳(メタデータ) (2020-06-12T12:23:50Z)
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。