Fugu-MT 論文翻訳(概要): TinaFace: Strong but Simple Baseline for Face Detection

論文の概要: TinaFace: Strong but Simple Baseline for Face Detection

arxiv url: http://arxiv.org/abs/2011.13183v3
Date: Fri, 22 Jan 2021 08:05:39 GMT
ステータス: 処理完了
システム内更新日: 2022-09-20 09:07:06.132070
Title: TinaFace: Strong but Simple Baseline for Face Detection
Title（参考訳）: TinaFace:強いけどシンプルな顔検出ベースライン
Authors: Yanjia Zhu, Hongxiang Cai, Shuhan Zhang, Chenhao Wang, Yichao Xiong
Abstract要約: 我々は、TinaFaceという顔検出を扱うための、強力だがシンプルなベースライン手法を提供する。 TinaFaceのすべてのモジュールとテクニックは既存のモジュール上に構築されており、簡単に実装でき、ジェネリックオブジェクト検出に基づいている。我々のTinaFaceは92.1%の平均精度(AP)を達成した。
参考スコア（独自算出の注目度）: 7.1259861117928835
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Face detection has received intensive attention in recent years. Many works present lots of special methods for face detection from different perspectives like model architecture, data augmentation, label assignment and etc., which make the overall algorithm and system become more and more complex. In this paper, we point out that \textbf{there is no gap between face detection and generic object detection}. Then we provide a strong but simple baseline method to deal with face detection named TinaFace. We use ResNet-50 \cite{he2016deep} as backbone, and all modules and techniques in TinaFace are constructed on existing modules, easily implemented and based on generic object detection. On the hard test set of the most popular and challenging face detection benchmark WIDER FACE \cite{yang2016wider}, with single-model and single-scale, our TinaFace achieves 92.1\% average precision (AP), which exceeds most of the recent face detectors with larger backbone. And after using test time augmentation (TTA), our TinaFace outperforms the current state-of-the-art method and achieves 92.4\% AP. The code will be available at \url{https://github.com/Media-Smart/vedadet}.
Abstract（参考訳）: 近年,顔検出に注目が集まっている。モデルアーキテクチャやデータ拡張,ラベル割り当てなど,さまざまな観点から顔検出のための特別な方法が数多く提案されているため,アルゴリズムやシステムはますます複雑になっています。本稿では、顔検出と汎用オブジェクト検出の間にはギャップがないことを指摘する。次に,tinafaceという顔検出を行うための,強力でシンプルなベースライン手法を提案する。我々はResNet-50 \cite{he2016deep}をバックボーンとして使用し、TinaFaceのすべてのモジュールとテクニックは既存のモジュール上に構築され、容易に実装され、ジェネリックオブジェクト検出に基づいています。最も人気があり挑戦的な顔検出ベンチマークであるWIDER FACE \cite{yang2016wider}のハードテストセットでは、単一のモデルと単一スケールで、我々のTinaFaceは92.1\%の平均精度(AP)を達成した。そして、TTA(Test Time Augmentation)を使用した後、我々のTinaFaceは現在の最先端の手法より優れ、92.4\%APを達成した。コードは \url{https://github.com/Media-Smart/vedadet} で入手できる。

関連論文リスト

UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
論文参考訳（メタデータ） (2024-07-26T20:51:54Z)
Semantic Contextualization of Face Forgery: A New Definition, Dataset, and Detection Method [77.65459419417533]
我々は,顔フォージェリを意味的文脈に配置し,意味的顔属性を変更する計算手法が顔フォージェリの源であることを定義した。階層的なグラフで整理されたラベルの集合に各画像が関連付けられている大規模な顔偽画像データセットを構築した。本稿では,ラベル関係を捕捉し,その優先課題を優先するセマンティクス指向の顔偽造検出手法を提案する。
論文参考訳（メタデータ） (2024-05-14T10:24:19Z)
FaceMAE: Privacy-Preserving Face Recognition via Masked Autoencoders [81.21440457805932]
顔のプライバシと認識性能を同時に考慮する新しいフレームワークFaceMAEを提案する。ランダムにマスクされた顔画像は、FaceMAEの再構築モジュールのトレーニングに使用される。また、いくつかの公開顔データセット上で十分なプライバシー保護顔認証を行う。
論文参考訳（メタデータ） (2022-05-23T07:19:42Z)
YOLO5Face: Why Reinventing a Face Detector [1.3272510644778104]
我々は、YOLOv5オブジェクト検出器をベースとした顔検出器を実装し、YOLO5Faceと呼ぶ。モデルサイズが異なる検出器を設計し、最高の性能を実現する。 WiderFaceデータセットの実験結果は、私たちの顔検出器が最先端の性能を達成できることを示している。
論文参考訳（メタデータ） (2021-05-27T03:54:38Z)
EMface: Detecting Hard Faces by Exploring Receptive Field Pyraminds [10.926608043159918]
本稿では,特徴ピラミッドの表現能力を高めるための簡易かつ効果的な手法を提案する。検出された顔の様々なスケールに基づいて、各特徴マップで異なる受容場を適応的に学習することができる。提案手法は,最先端性能を達成しつつ,推論速度を著しく向上させることができる。
論文参考訳（メタデータ） (2021-05-21T03:01:37Z)
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)
1st Place Solution to ECCV-TAO-2020: Detect and Represent Any Object for Tracking [19.15537335764895]
従来のトラッキング・バイ・検出パラダイムを、このトラッキング・バイ・オブジェクトタスクに拡張します。特徴学習ネットワークを訓練することで,あらゆる対象を表す出現特徴を学習する。類似の外観機能とトラックレットレベルのポストアソシエーションモジュールを備えたシンプルなリンク戦略が最終的に最終追跡結果を生成するために適用されます。
論文参考訳（メタデータ） (2021-01-20T09:42:32Z)
FaceX-Zoo: A PyTorch Toolbox for Face Recognition [62.038018324643325]
顔認識の研究開発コミュニティを指向した新しいオープンソースフレームワーク、FaceX-Zooを紹介します。 facex-zooは、さまざまな監視ヘッドとバックボーンを備えたトレーニングモジュールを提供する。訓練されたモデルの検証とプライマリアプリケーションのために、シンプルで機能的なFace SDKが提供されます。
論文参考訳（メタデータ） (2021-01-12T11:06:50Z)
Regularized Densely-connected Pyramid Network for Salient Instance Segmentation [73.17802158095813]
我々は、エンドツーエンドの有能なインスタンスセグメンテーション(SIS)のための新しいパイプラインを提案する。ディープネットワークにおけるリッチな特徴階層をよりよく活用するために、正規化された高密度接続を提案する。マスク予測を改善するために,新しいマルチレベルRoIAlignベースのデコーダを導入し,多レベル特徴を適応的に集約する。
論文参考訳（メタデータ） (2020-08-28T00:13:30Z)
Black-Box Face Recovery from Identity Features [61.950765357647605]
我々はアルゴリズムをテストするために最先端の顔認識システム(ArcFace)を攻撃した。我々のアルゴリズムは、最先端のソリューションに比べて、はるかに少ないクエリを必要とする。
論文参考訳（メタデータ） (2020-07-27T15:25:38Z)
KPNet: Towards Minimal Face Detector [27.68740638740399]
そこで本研究では, 顔の外観の特徴を識別することで, 小さくて浅いニューラルネットワークが背景から検証できることを示す。提案したKPNetはボトムアップ方式で顔全体の代わりに小さな顔のキーポイントを検出する。
論文参考訳（メタデータ） (2020-03-17T05:37:45Z)

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。