論文の概要: A Facial Feature Discovery Framework for Race Classification Using Deep Learning

• arxiv url: http://arxiv.org/abs/2104.02471v1
• Date: Mon, 29 Mar 2021 06:33:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-06 05:42:36.713366
• Title: A Facial Feature Discovery Framework for Race Classification Using Deep Learning
• Title（参考訳）: ディープラーニングを用いた人種分類のための顔特徴発見フレームワーク
• Authors: Khalil Khan, Jehad Ali, Irfan Uddin, Sahib Khan, and Byeong-hee Roh
• Abstract要約: 本稿では,事前の顔分割フレームワークを用いたレース分類アルゴリズムを提案する。 ディープ畳み込みニューラルネットワーク(DCNN)を用いて顔分割モデルを構築した。 人種分類に有効な7つの顔の特徴について検討した。
• 参考スコア（独自算出の注目度）: 3.5819286797572305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Race classification is a long-standing challenge in the field of face image analysis. The investigation of salient facial features is an important task to avoid processing all face parts. Face segmentation strongly benefits several face analysis tasks, including ethnicity and race classification. We propose a raceclassification algorithm using a prior face segmentation framework. A deep convolutional neural network (DCNN) was used to construct a face segmentation model. For training the DCNN, we label face images according to seven different classes, that is, nose, skin, hair, eyes, brows, back, and mouth. The DCNN model developed in the first phase was used to create segmentation results. The probabilistic classification method is used, and probability maps (PMs) are created for each semantic class. We investigated five salient facial features from among seven that help in race classification. Features are extracted from the PMs of five classes, and a new model is trained based on the DCNN. We assessed the performance of the proposed race classification method on four standard face datasets, reporting superior results compared with previous studies.
• Abstract（参考訳）: 人種分類は、顔画像解析の分野で長年の課題である。 顔の健康な特徴を調べることは、全ての顔の処理を避けるために重要な課題である。 顔のセグメンテーションは、民族や人種分類を含むいくつかの顔分析タスクに強く貢献する。 先行顔分割フレームワークを用いたレース分類アルゴリズムを提案する。 深層畳み込みニューラルネットワーク(dcnn)を用いて顔セグメンテーションモデルを構築した。 dcnnを訓練するために、私たちは7つの異なるクラス(鼻、皮膚、髪、目、額、背中、口)にフェイスイメージをラベル付けします。 第1フェーズで開発されたdcnnモデルは、セグメンテーション結果の作成に使用された。 確率的分類法が用いられ、各意味クラスに対して確率マップ(PM)が作成される。 人種分類に有効な7つの顔の特徴について検討した。 特徴は5つのクラスのPMから抽出され、DCNNに基づいて新しいモデルが訓練される。 4つの標準顔データセットにおいて,提案する人種分類法の性能を評価し,これまでの研究よりも優れた結果を得た。

関連論文リスト

• Facial Wrinkle Segmentation for Cosmetic Dermatology: Pretraining with Texture Map-Based Weak Supervision [0.053801353100098995]
  私たちは、NVIDIA FFHQデータセットの拡張である、最初の公開顔しわデータセット 'FFHQ-Wrinkle' を構築し、リリースします。 人間のラベル付き1000枚の画像と、自動生成された弱いラベル付き5万枚の画像が含まれている。 このデータセットは、研究コミュニティが高度なしわ検出アルゴリズムを開発する基盤となる可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T14:54:12Z)
• Are Face Detection Models Biased? [69.68854430664399]
  顔領域の局所化による顔検出領域のバイアスについて検討した。 既存の顔検出データセットの多くは、このような分析に適したアノテーションを欠いている。 性別や肌の音色による検出精度の相違を観察し, 画像診断以外の要因の相互関係を考察した。
  論文  参考訳（メタデータ） (2022-11-07T14:27:55Z)
• Hybrid Facial Expression Recognition (FER2013) Model for Real-Time Emotion Classification and Prediction [0.0]
  本稿では,Deep Convolutional Neural Network(DCNN)とHaar Cascadeディープラーニングアーキテクチャを組み合わせた,表情認識のためのハイブリッドモデルを提案する。 目的は、リアルタイムおよびデジタル顔画像から、考慮された7つの顔感情カテゴリの1つに分類することである。 実験結果から, 最先端実験や研究と比較して, 分類性能は有意に向上した。
  論文  参考訳（メタデータ） (2022-06-19T23:43:41Z)
• What You See is What You Classify: Black Box Attributions [61.998683569022006]
  我々は、トレーニング済みのブラックボックス分類器であるExpplanandumの属性を予測するために、ディープネットワークであるExplainerを訓練する。 既存のほとんどのアプローチとは異なり、我々の手法はクラス固有のマスクを直接生成することができる。 我々の属性は、視覚的および定量的に確立された方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-23T12:30:04Z)
• Meta Balanced Network for Fair Face Recognition [51.813457201437195]
  我々は、データとアルゴリズムの両方の側面からバイアスを体系的に科学的に研究する。 本稿では,メタバランスネットワーク(MBN)と呼ばれるメタ学習アルゴリズムを提案する。 大規模な実験により、MBNは偏見を緩和し、顔認識において異なる肌のトーンを持つ人々に対してよりバランスの取れたパフォーマンスを学ぶことができた。
  論文  参考訳（メタデータ） (2022-05-13T10:25:44Z)
• Real-Time Facial Expression Recognition using Facial Landmarks and Neural Networks [0.0]
  本稿では,特徴抽出,7つの感情の分類,表情認識をリアルタイムに行うアルゴリズムを提案する。 前処理アルゴリズムに基づいてマルチ層パーセプトロンニューラルネットワークをトレーニングする。 3層はこれらの特徴ベクトルを使って訓練され、テストセットでは96%の精度が得られた。
  論文  参考訳（メタデータ） (2022-01-31T21:38:30Z)
• Learning Fair Face Representation With Progressive Cross Transformer [79.73754444296213]
  フェアフェイス認識のためのプログレッシブクロストランス (PCT) 手法を提案する。 我々は,PCTが最先端FR性能を達成しつつ,顔認識におけるバイアスを軽減することができることを示した。
  論文  参考訳（メタデータ） (2021-08-11T01:31:14Z)
• Per-Pixel Classification is Not All You Need for Semantic Segmentation [184.2905747595058]
  マスク分類はセマンティックレベルのセグメンテーションタスクとインスタンスレベルのセグメンテーションタスクの両方を解くのに十分一般的である。 マスクの集合を予測する単純なマスク分類モデルであるMaskFormerを提案する。 提案手法は,現在の最先端セマンティック(ADE20Kでは55.6 mIoU)とパノプティックセグメンテーション(COCOでは52.7 PQ)モデルの両方に優れる。
  論文  参考訳（メタデータ） (2021-07-13T17:59:50Z)
• Facial expression and attributes recognition based on multi-task learning of lightweight neural networks [9.162936410696409]
  顔の識別と顔の属性の分類のための軽量畳み込みニューラルネットワークのマルチタスクトレーニングを検討する。 顔の表情を予測するためには,これらのネットワークを微調整する必要がある。 MobileNet、EfficientNet、RexNetアーキテクチャに基づくいくつかのモデルが提示される。
  論文  参考訳（メタデータ） (2021-03-31T14:21:04Z)
• Pre-training strategies and datasets for facial representation learning [58.8289362536262]
  いくつかの顔分析タスクやデータセットに適用可能な普遍的な顔表現の探索方法を示す。 顔に適応する2つの大規模表現学習を体系的に検討する。 私たちの主な2つの発見は以下の通りです: 完全にインザワイルドな未処理データに対する教師なし事前トレーニングは一貫性を提供し、場合によっては大幅な精度向上をもたらします。
  論文  参考訳（メタデータ） (2021-03-30T17:57:25Z)

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。