論文の概要: Periocular in the Wild Embedding Learning with Cross-Modal Consistent Knowledge Distillation

• arxiv url: http://arxiv.org/abs/2012.06746v1
• Date: Sat, 12 Dec 2020 07:12:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-10 05:18:18.266654
• Title: Periocular in the Wild Embedding Learning with Cross-Modal Consistent Knowledge Distillation
• Title（参考訳）: クロスモーダルな知識蒸留による野生埋め込み学習における周辺視
• Authors: Yoon Gyo Jung, Jaewoo Park, Cheng Yaw Low, Leslie Ching Ow Tiong, Andrew Beng Jin Teoh
• Abstract要約: 眼内生体計測、または眼の周辺領域は、顔への協力的な代替手段です。 そこで我々は, クロスモーダル一貫した知識蒸留 (CM-CKD) として, 深層対近眼蒸留ネットワークを構築した。 6つの制約付きおよび制約なしの眼球周囲データセットの実験では、CM-CKDを学習した眼球周囲埋め込みが識別および検証性能を50%延長することが明らかとなった。
• 参考スコア（独自算出の注目度）: 16.650883387548735
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Periocular biometric, or peripheral area of ocular, is a collaborative alternative to face, especially if a face is occluded or masked. In practice, sole periocular biometric captures least salient facial features, thereby suffering from intra-class compactness and inter-class dispersion issues particularly in the wild environment. To address these problems, we transfer useful information from face to support periocular modality by means of knowledge distillation (KD) for embedding learning. However, applying typical KD techniques to heterogeneous modalities directly is suboptimal. We put forward in this paper a deep face-to-periocular distillation networks, coined as cross-modal consistent knowledge distillation (CM-CKD) henceforward. The three key ingredients of CM-CKD are (1) shared-weight networks, (2) consistent batch normalization, and (3) a bidirectional consistency distillation for face and periocular through an effectual CKD loss. To be more specific, we leverage face modality for periocular embedding learning, but only periocular images are targeted for identification or verification tasks. Extensive experiments on six constrained and unconstrained periocular datasets disclose that the CM-CKD-learned periocular embeddings extend identification and verification performance by 50% in terms of relative performance gain computed based upon face and periocular baselines. The experiments also reveal that the CM-CKD-learned periocular features enjoy better subject-wise cluster separation, thereby refining the overall accuracy performance.
• Abstract（参考訳）: 眼窩バイオメトリックス(periocular biometric)または眼の周辺領域( peripheral area of ocular)は、特に顔がオクルードされたりマスキングされたりした場合、顔の協調的な代替手段である。 実際には、単眼バイオメトリックは、特に野生環境では、クラス内コンパクト性やクラス間分散の問題に悩まされる、最も健康な顔の特徴を捉えている。 これらの問題に対処するために,我々は知識蒸留(KD)を用いて顔から有用な情報を伝達し,学習を組み込む。 しかしながら、ヘテロジニアスモダリティに直接典型的なkd手法を適用することは最適ではない。 本論文では, クロスモーダル一貫した知識蒸留 (CM-CKD) として開発された深層対近眼蒸留網について述べる。 CM-CKDの3つの主要成分は,(1)共有量ネットワーク,(2)一貫したバッチ正規化,(3)実効CKD損失による顔および眼周囲の双方向連続蒸留である。 より具体的には、顔のモダリティを眼周囲埋め込み学習に活用するが、識別や検証のタスクを狙うのは眼周囲画像のみである。 6つの制約付きおよび制約なしのperiocularデータセットに関する広範囲な実験により、cm-ckdがリードするperiocular embeddedは、顔とperiocularのベースラインに基づいて計算される相対的なパフォーマンスゲインの点で、識別と検証のパフォーマンスを50%向上させることが明らかになった。 実験により、CM-CKDで学習した近視機能により、主観的クラスタ分離が向上し、全体的な精度が向上することが明らかとなった。

関連論文リスト

• Periocular Biometrics: A Modality for Unconstrained Scenarios [66.93179447621188]
  眼球周囲のバイオメトリックスには、眼窩を囲む顔の外部から見える領域が含まれる。 新型コロナウイルス(COVID-19)のパンデミックは、コントロールされた設定でも目に見える唯一の顔領域であり、その重要性を強調している。
  論文  参考訳（メタデータ） (2022-12-28T12:08:27Z)
• 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)
• Towards Intrinsic Common Discriminative Features Learning for Face Forgery Detection using Adversarial Learning [59.548960057358435]
  本稿では, 対人学習を利用して, 異なる偽造法と顔の同一性による負の効果を除去する手法を提案する。 我々の顔偽造検出モデルは、偽造法や顔の同一性の影響を排除し、共通の識別的特徴を抽出することを学ぶ。
  論文  参考訳（メタデータ） (2022-07-08T09:23:59Z)
• Attribute-Based Deep Periocular Recognition: Leveraging Soft Biometrics to Improve Periocular Recognition [24.267703297385413]
  本稿では属性に基づく深部眼球認識(ADPR)と呼ばれる新しい深部眼球認識フレームワークを提案する。 ADPRはソフトバイオメトリックスを予測し、その予測を眼周囲認識アルゴリズムに組み込んで、高い精度で眼周囲画像から識別する。 実験結果から,本手法は野生環境下での生体計測による近視認識方法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2021-11-02T01:51:37Z)
• Facial Anatomical Landmark Detection using Regularized Transfer Learning with Application to Fetal Alcohol Syndrome Recognition [24.27777060287004]
  出生前アルコール曝露による胎児アルコール症候群(FAS)は、一連の頭蓋顔面異常を引き起こす可能性がある。 解剖学的ランドマーク検出は,FAS関連顔面異常の検出に重要である。 自然画像における顔のランドマーク検出のために設計された現在のディープラーニングに基づく熱マップ回帰法は、大きなデータセットが利用できることを前提としている。 我々は,大規模な顔認識データセットから学習したネットワークの知識を活用する,新たな正規化トランスファー学習手法を開発した。
  論文  参考訳（メタデータ） (2021-09-12T11:05:06Z)
• Deep Collaborative Multi-Modal Learning for Unsupervised Kinship Estimation [53.62256887837659]
  キンシップ検証は、コンピュータビジョンにおける長年の研究課題である。 本稿では,顔特性に表される基礎情報を統合するために,新しい協調型多モーダル学習(DCML)を提案する。 我々のDCML法は、常に最先端のキンシップ検証法よりも優れている。
  論文  参考訳（メタデータ） (2021-09-07T01:34:51Z)
• Dual-Attention GAN for Large-Pose Face Frontalization [59.689836951934694]
  本稿では,フォトリアリスティック顔フロンダル化のためのDA-GAN(Dual-Attention Generative Adversarial Network)を提案する。 具体的には、ローカル機能と長距離依存関係を統合するために、自己アテンションベースのジェネレータが導入された。 顔領域の局所的特徴を強調するために,新しい顔認識に基づく識別器を適用した。
  論文  参考訳（メタデータ） (2020-02-17T20:00:56Z)
• Joint Deep Learning of Facial Expression Synthesis and Recognition [97.19528464266824]
  顔表情の合成と認識を効果的に行うための新しい統合深層学習法を提案する。 提案手法は, 2段階の学習手順を伴い, まず, 表情の異なる顔画像を生成するために, 表情合成生成対向ネットワーク (FESGAN) を事前訓練する。 実画像と合成画像間のデータバイアスの問題を軽減するために,新しい実データ誘導バックプロパゲーション(RDBP)アルゴリズムを用いたクラス内損失を提案する。
  論文  参考訳（メタデータ） (2020-02-06T10:56:00Z)

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。