論文の概要: Analysis and evaluation of Deep Learning based Super-Resolution
algorithms to improve performance in Low-Resolution Face Recognition
- arxiv url: http://arxiv.org/abs/2101.10845v1
- Date: Tue, 19 Jan 2021 02:41:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-26 08:43:17.693141
- Title: Analysis and evaluation of Deep Learning based Super-Resolution
algorithms to improve performance in Low-Resolution Face Recognition
- Title（参考訳）: 低解像度顔認識の性能向上のためのディープラーニングに基づく超解法アルゴリズムの解析と評価
- Authors: Angelo G. Menezes
- Abstract要約: 超解像アルゴリズムは、関係する被験者の識別特性を回復することができる。
このプロジェクトは、顔の超解像のタスクのための異なるディープニューラルネットワークアーキテクチャを評価し、適応することを目的とした。
実験により、一般的なスーパーレゾリューションアーキテクチャは、高レゾリューション顔で訓練されたディープニューラルネットワークのフェイス検証性能を向上させることが判明した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Surveillance scenarios are prone to several problems since they usually
involve low-resolution footage, and there is no control of how far the subjects
may be from the camera in the first place. This situation is suitable for the
application of upsampling (super-resolution) algorithms since they may be able
to recover the discriminant properties of the subjects involved. While general
super-resolution approaches were proposed to enhance image quality for
human-level perception, biometrics super-resolution methods seek the best
"computer perception" version of the image since their focus is on improving
automatic recognition performance. Convolutional neural networks and deep
learning algorithms, in general, have been applied to computer vision tasks and
are now state-of-the-art for several sub-domains, including image
classification, restoration, and super-resolution. However, no work has
evaluated the effects that the latest proposed super-resolution methods may
have upon the accuracy and face verification performance in low-resolution
"in-the-wild" data. This project aimed at evaluating and adapting different
deep neural network architectures for the task of face super-resolution driven
by face recognition performance in real-world low-resolution images. The
experimental results in a real-world surveillance and attendance datasets
showed that general super-resolution architectures might enhance face
verification performance of deep neural networks trained on high-resolution
faces. Also, since neural networks are function approximators and can be
trained based on specific objective functions, the use of a customized loss
function optimized for feature extraction showed promising results for
recovering discriminant features in low-resolution face images.
- Abstract（参考訳）: 監視シナリオは、通常低解像度の映像を含むため、いくつかの問題を起こしやすく、そもそも被写体がカメラからどのくらい離れているか制御できない。
この状況は、関係する被験者の識別特性を回復できる可能性があるため、アップサンプリング(超解像)アルゴリズムの適用に適している。
一般の超解像法は人間の知覚の画質を高めるために提案されているが、バイオメトリクスの超解像法は自動認識性能の向上に重点を置いているため、画像の最良の「コンピュータ認識」バージョンを求める。
畳み込みニューラルネットワークとディープラーニングアルゴリズムは、一般にコンピュータビジョンタスクに適用され、画像分類、復元、超解像を含むいくつかのサブドメインで最先端のものとなっている。
しかし、最新の超解像法が低分解能の"in-the-wild"データにおける精度と顔認証性能に与える影響は評価されていない。
本研究の目的は、実世界の低解像度画像における顔認識性能による顔の超解像課題に対して、異なるディープニューラルネットワークアーキテクチャの評価と適応を行うことである。
実世界の監視および出席データセットにおける実験結果は、一般的な超高解像度アーキテクチャが、高分解能顔で訓練されたディープニューラルネットワークのフェイス検証性能を向上させる可能性があることを示した。
また、ニューラルネットワークは関数近似子であり、特定の目的関数に基づいてトレーニングすることができるため、特徴抽出に最適化されたカスタマイズされた損失関数の使用は、低解像度の顔画像における識別的特徴の回復に有望な結果を示した。
関連論文リスト
- Research on Image Super-Resolution Reconstruction Mechanism based on Convolutional Neural Network [8.739451985459638]
超解像アルゴリズムは、同一シーンから撮影された1つ以上の低解像度画像を高解像度画像に変換する。
再構成過程における画像の特徴抽出と非線形マッピング手法は,既存のアルゴリズムでは依然として困難である。
目的は、高解像度の画像から高品質で高解像度の画像を復元することである。
論文 参考訳（メタデータ） (2024-07-18T06:50:39Z) - An Enhanced Low-Resolution Image Recognition Method for Traffic
Environments [3.018656336329545]
低解像度の画像は、小さなサイズ、低い品質、詳細さの欠如に悩まされ、従来のニューラルネットワーク認識アルゴリズムの精度が低下する。
本稿では、残差ネットワークの基本構造と共通特徴部分空間アルゴリズムを利用する二重分岐残差ネットワーク構造を提案する。
低解像度画像認識の精度を高めるために、中間層特徴の利用を取り入れている。
論文 参考訳（メタデータ） (2023-09-28T12:38:31Z) - Cross-resolution Face Recognition via Identity-Preserving Network and
Knowledge Distillation [12.090322373964124]
クロスレゾリューション顔認識は、現代の深層顔認識システムにとって難しい問題である。
本稿では,低分解能画像の低周波成分に蓄積される識別情報にネットワークを集中させる新しい手法を提案する。
論文 参考訳（メタデータ） (2023-03-15T14:52:46Z) - Improving Performance of Object Detection using the Mechanisms of Visual
Recognition in Humans [0.4297070083645048]
我々はまず、画像解像度の関数として最先端のディープオブジェクト認識ネットワークであるFaster-RCNNの性能を追跡する。
また、認識過程において、異なる空間周波数が物体に関する異なる情報を伝えることも示している。
単分解能ネットワークではなく,多分解能オブジェクト認識フレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-23T19:09:36Z) - Super-Resolution and Image Re-projection for Iris Recognition [67.42500312968455]
異なるディープラーニングアプローチを用いた畳み込みニューラルネットワーク(CNN)は、解像度の低い画像から現実的なテクスチャときめ細かい詳細を復元しようとする。
本研究は、虹彩認識環境における虹彩超解法(SR)に対するこれらのアプローチの実現可能性について検討する。
その結果,CNNと画像再投影は,認識システムの精度向上に有効であることが示唆された。
論文 参考訳（メタデータ） (2022-10-20T09:46:23Z) - Exploring Resolution and Degradation Clues as Self-supervised Signal for
Low Quality Object Detection [77.3530907443279]
劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。
本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
論文 参考訳（メタデータ） (2022-08-05T09:36:13Z) - Hierarchical Deep CNN Feature Set-Based Representation Learning for
Robust Cross-Resolution Face Recognition [59.29808528182607]
クロスリゾリューション顔認識(CRFR)は、インテリジェントな監視およびバイオメトリックフォレンジックにおいて重要である。
既存の浅層学習と深層学習に基づく手法は、HR-LR対を共同特徴空間にマッピングすることに焦点を当てている。
本研究では,多レベル深層畳み込みニューラルネットワーク(CNN)の機能を完全に活用し,堅牢なCRFRを実現することを目的とする。
論文 参考訳（メタデータ） (2021-03-25T14:03:42Z) - 3D Human Pose, Shape and Texture from Low-Resolution Images and Videos [107.36352212367179]
本稿では,解像度認識ネットワーク,自己スーパービジョン損失,コントラスト学習スキームからなるrsc-netを提案する。
提案手法は1つのモデルで異なる解像度で3次元物体のポーズと形状を学習できる。
低解像度映像を扱うRSC-Netを拡張し、低解像度入力からテクスチャ化された3D歩行者の再構築に適用します。
論文 参考訳（メタデータ） (2021-03-11T06:52:12Z) - Deep Learning-based Face Super-resolution: A Survey [78.11274281686246]
顔の超解像、別名顔の幻覚は、ドメイン固有のイメージの超解像問題です。
現在、深層学習に基づく顔の超解像に関する研究の要約は少ない。
本調査では,超解像面における深層学習の手法を体系的に総合的に検討する。
論文 参考訳（メタデータ） (2021-01-11T08:17:11Z) - Multi Scale Identity-Preserving Image-to-Image Translation Network for
Low-Resolution Face Recognition [7.6702700993064115]
本稿では,画像から画像へ変換する深層ニューラルネットワークを提案する。
アイデンティティ関連の情報を保存しながら、非常に低解像度の顔を高解像度の顔に超解き放つことができる。
論文 参考訳（メタデータ） (2020-10-23T09:21:06Z) - 3D Human Shape and Pose from a Single Low-Resolution Image with
Self-Supervised Learning [105.49950571267715]
3次元人物形状とポーズ推定のための既存のディープラーニング手法は、比較的高解像度な入力画像に依存している。
本稿では,レゾリューション・アウェア・ネットワーク,セルフ・スーパービジョン・ロス,コントラッシブ・ラーニング・スキームからなるRCC-Netを提案する。
これら2つの新たなトレーニング損失は,3次元形状を学習し,弱教師ありの姿勢を示す。
論文 参考訳（メタデータ） (2020-07-27T16:19:52Z)
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。