論文の概要: FedFace: Collaborative Learning of Face Recognition Model

• arxiv url: http://arxiv.org/abs/2104.03008v1
• Date: Wed, 7 Apr 2021 09:25:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-08 12:50:51.284607
• Title: FedFace: Collaborative Learning of Face Recognition Model
• Title（参考訳）: FedFace: 顔認識モデルの協調学習
• Authors: Divyansh Aggarwal, Jiayu Zhou and Anil K. Jain
• Abstract要約: FedFaceは顔認識モデルの協調学習のためのフレームワークである。 各クライアントに格納された顔画像が、他のクライアントや中央ホストと共有されない、正確で汎用的な顔認識モデルを学ぶ。 コードとトレーニング済みモデルは公開される予定です。
• 参考スコア（独自算出の注目度）: 66.84737075622421
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: DNN-based face recognition models require large centrally aggregated face datasets for training. However, due to the growing data privacy concerns and legal restrictions, accessing and sharing face datasets has become exceedingly difficult. We propose FedFace, a federated learning (FL) framework for collaborative learning of face recognition models in a privacy preserving manner. FedFace utilizes the face images available on multiple clients to learn an accurate and generalizable face recognition model where the face images stored at each client are neither shared with other clients nor the central host. We tackle the a challenging and yet realistic scenario where each client is a mobile device containing face images pertaining to only the owner of the device (one identity per client). Conventional FL algorithms such as FedAvg are not suitable for this setting because they lead to a trivial solution where all the face features collapse into a single point in the embedding space. Our experiments show that FedFace can utilize face images available on 1,000 mobile devices to enhance the performance of a pre-trained face recognition model, CosFace, from a TAR of 81.43% to 83.79% on IJB-A (@ 0.1% FAR). For LFW, the recognition accuracy under the LFW protocol is increased from 99.15% to 99.28%. FedFace is able to do this while ensuring that the face images are never shared between devices or between the device and the server. Our code and pre-trained models will be publicly available.
• Abstract（参考訳）: DNNベースの顔認識モデルは、トレーニングのために大規模な集中的な顔データセットを必要とする。 しかし、データプライバシーの懸念と法的制約の増大により、顔データセットへのアクセスと共有は極めて困難になっている。 本研究では,顔認識モデルの協調学習を目的とした,プライバシー保護方式のフェデレーション学習(fl)フレームワークであるfederated learningを提案する。 FedFaceは、複数のクライアントで利用可能な顔画像を利用して、クライアントに格納された顔画像が他のクライアントや中央ホストと共有されない、正確で一般化可能な顔認識モデルを学ぶ。 我々は、各クライアントがデバイス所有者(クライアント1人当たりのアイデンティティ)のみに関連する顔画像を含むモバイルデバイスである、挑戦的で現実的なシナリオに取り組む。 fedavgのような従来のflアルゴリズムは、すべての顔特徴が埋め込み空間の単一点に崩壊する自明な解をもたらすため、この設定には適していない。 IJB-Aで81.43%から83.79%のTARから、FedFaceは1000台のモバイルデバイスで利用可能な顔画像を利用して、事前訓練済みの顔認識モデルCosFaceの性能を向上させることができる。 LFWでは、LFWプロトコルの認識精度は99.15%から99.28%に向上する。 fedfaceは、顔画像がデバイス間やデバイスとサーバ間で共有されることを保証しながら、これを可能にする。 私たちのコードと事前訓練されたモデルは公開されます。

関連論文リスト

• Toward High Quality Facial Representation Learning [58.873356953627614]
  我々はMask Contrastive Face (MCF)と呼ばれる自己教師型事前学習フレームワークを提案する。 トレーニング済みの視覚バックボーンの特徴マップを監視項目として使用し、マスク画像モデリングに部分的にトレーニング済みのデコーダを使用する。 このモデルはAFLW-19顔アライメントの0.932 NME_diag$とLaPa顔解析の93.96 F1スコアを達成する。
  論文  参考訳（メタデータ） (2023-09-07T09:11:49Z)
• How to Boost Face Recognition with StyleGAN? [13.067766076889995]
  最先端の顔認識システムは大量のラベル付きトレーニングデータを必要とする。 業界における自己監督的革命は、関連する技術が顔認識に適応する研究を動機付けている。 StyleGANのための微調整pSpエンコーダに基づく簡単なアプローチにより、最先端の顔認識を改善することができることを示す。
  論文  参考訳（メタデータ） (2022-10-18T18:41:56Z)
• DigiFace-1M: 1 Million Digital Face Images for Face Recognition [25.31469201712699]
  最先端の顔認識モデルは、Wildデータセットのラベル付き顔に対して99.8%以上の精度で達成されている。 コンピュータグラフィックスパイプラインを用いてデジタル顔の描画によって得られた顔認識のための大規模合成データセットを提案する。
  論文  参考訳（メタデータ） (2022-10-05T22:02:48Z)
• OPOM: Customized Invisible Cloak towards Face Privacy Protection [58.07786010689529]
  我々は、新しいタイプのカスタマイズクロークに基づく技術の観点から、顔のプライバシ保護について検討する。 本研究では,個人固有の(クラスワイドな)ユニバーサルマスクを生成するために,1人1マスク(OPOM)という新しい手法を提案する。 提案手法の有効性を,共通データセットと有名データセットの両方で評価した。
  論文  参考訳（メタデータ） (2022-05-24T11:29:37Z)
• 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)
• FedFR: Joint Optimization Federated Framework for Generic and Personalized Face Recognition [40.18257149322018]
  現在の最先端のディープラーニングベース顔認識(FR)モデルでは、中心的なトレーニングのために多数の顔の識別が必要である。 プライバシー意識の高まりにより、ユーザデバイスの顔画像へのアクセスが禁止され、顔認識モデルが継続的に改善される。 我々は、プライバシに配慮した汎用顔表現を改善するために、FedFRと呼ばれるFLベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-23T12:42:38Z)
• Towards Face Encryption by Generating Adversarial Identity Masks [53.82211571716117]
  敵の識別マスクを生成するためのターゲットID保護反復法(TIP-IM)を提案する。 TIP-IMは、様々な最先端の顔認識モデルに対して95%以上の保護成功率を提供する。
  論文  参考訳（メタデータ） (2020-03-15T12:45:10Z)
• Investigating the Impact of Inclusion in Face Recognition Training Data on Individual Face Identification [93.5538147928669]
  最新のオープンソースの顔認識システムであるArcFaceを、100万枚以上の散らばった画像を用いた大規模な顔識別実験で監査する。 モデルのトレーニングデータには79.71%、存在しない人には75.73%のランク1顔認証精度がある。
  論文  参考訳（メタデータ） (2020-01-09T15:50:28Z)

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。