Fugu-MT 論文翻訳(概要): Towards On-Device Face Recognition in Body-worn Cameras

論文の概要: Towards On-Device Face Recognition in Body-worn Cameras

arxiv url: http://arxiv.org/abs/2104.03419v1
Date: Wed, 7 Apr 2021 22:24:57 GMT
ステータス: 処理完了
システム内更新日: 2021-04-10 02:44:27.770926
Title: Towards On-Device Face Recognition in Body-worn Cameras
Title（参考訳）: ボディウーンカメラのオンデバイス顔認識に向けて
Authors: Ali Almadan and Ajita Rattani
Abstract要約: 本研究では,ボディカメラを用いた顔認識のための軽量MobileNet-V2, EfficientNet-B0, LightCNN-9, LightCNN-29モデルを評価する。実験はbwcfaceデータセットで公開されている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Face recognition technology related to recognizing identities is widely adopted in intelligence gathering, law enforcement, surveillance, and consumer applications. Recently, this technology has been ported to smartphones and body-worn cameras (BWC). Face recognition technology in body-worn cameras is used for surveillance, situational awareness, and keeping the officer safe. Only a handful of academic studies exist in face recognition using the body-worn camera. A recent study has assembled BWCFace facial image dataset acquired using a body-worn camera and evaluated the ResNet-50 model for face identification. However, for real-time inference in resource constraint body-worn cameras and privacy concerns involving facial images, on-device face recognition is required. To this end, this study evaluates lightweight MobileNet-V2, EfficientNet-B0, LightCNN-9 and LightCNN-29 models for face identification using body-worn camera. Experiments are performed on a publicly available BWCface dataset. The real-time inference is evaluated on three mobile devices. The comparative analysis is done with heavy-weight VGG-16 and ResNet-50 models along with six hand-crafted features to evaluate the trade-off between the performance and model size. Experimental results suggest the difference in maximum rank-1 accuracy of lightweight LightCNN-29 over best-performing ResNet-50 is \textbf{1.85\%} and the reduction in model parameters is \textbf{23.49M}. Most of the deep models obtained similar performances at rank-5 and rank-10. The inference time of LightCNNs is 2.1x faster than other models on mobile devices. The least performance difference of \textbf{14\%} is noted between LightCNN-29 and Local Phase Quantization (LPQ) descriptor at rank-1. In most of the experimental settings, lightweight LightCNN models offered the best trade-off between accuracy and the model size in comparison to most of the models.
Abstract（参考訳）: アイデンティティの認識に関連する顔認識技術は、情報収集、法執行、監視、消費者アプリケーションに広く採用されている。近年、この技術はスマートフォンやボディウーンカメラ(BWC)に移植されている。ボディウーンカメラの顔認識技術は、監視、状況認識、警官の安全確保に利用されている。ボディウーンカメラを用いた顔認識には、ほんのわずかの学術研究しか存在しない。最近の研究では、BWCFace顔画像データセットをボディウーンカメラを用いて取得し、顔識別のためのResNet-50モデルの評価を行った。しかし、リソース制約によるボディウォーンカメラのリアルタイム推論や顔画像に関するプライバシーの懸念に対して、オンデバイス顔認識が必要である。そこで本研究では,軽量のmobilenet-v2, efficientnet-b0, lightcnn-9, lightcnn-29をボディウォーンカメラを用いて評価した。実験はbwcfaceデータセットで公開されている。リアルタイム推論は3つのモバイルデバイスで評価される。比較分析は、重量級のVGG-16とResNet-50モデルと6つの手作り特徴を用いて行われ、性能とモデルサイズの間のトレードオフを評価する。 resnet-50よりも軽量のlightcnn-29の最大ランク1精度の差は \textbf{1.85\%} であり、モデルパラメータの低減は \textbf{23.49m} である。深層モデルの多くは、 rank-5 と rank-10 で同様の性能を得た。 LightCNNの推測時間は、モバイルデバイスの他のモデルよりも2.1倍速い。 The least performance difference of \textbf{14\%} is noted between LightCNN-29 and Local Phase Quantization (LPQ) descriptor at rank-1。実験的な設定のほとんどにおいて、軽量のLightCNNモデルは、ほとんどのモデルと比較して精度とモデルサイズの間の最良のトレードオフを提供した。

関連論文リスト

SqueezerFaceNet: Reducing a Small Face Recognition CNN Even More Via Filter Pruning [55.84746218227712]
我々は,100万パラメータ未満の軽量顔認識ネットワークであるSqueezerFaceNetを開発した。性能を損なうことなく、さらに(最大40%)削減できることを示す。
論文参考訳（メタデータ） (2023-07-20T08:38:50Z)
Convolutional Neural Network Based Partial Face Detection [0.0]
本研究の目的は、顔を正しく認識する機械学習モデルを作成し、拡張することである。モデルの作成と実行の後、マルチタスク畳み込みニューラルネットワーク(MTCNN)は96.2%の精度を達成した。
論文参考訳（メタデータ） (2022-06-29T01:26:40Z)
WebFace260M: A Benchmark for Million-Scale Deep Face Recognition [89.39080252029386]
我々は、未修正4MのID/260Mの顔(WebFace260M)とクリーン2MのID/42Mの顔(WebFace42M)を含む新しい100万スケールの認識ベンチマークに貢献する。分散フレームワークは、性能を損なうことなく、顔認識モデルを効率的に訓練するために開発された。提案したベンチマークは、標準、マスク付き、偏見のない顔認識シナリオにおいて大きな可能性を示している。
論文参考訳（メタデータ） (2022-04-21T14:56:53Z)
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)
FedFace: Collaborative Learning of Face Recognition Model [66.84737075622421]
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。
論文参考訳（メタデータ） (2021-04-07T09:25:32Z)
Facial Masks and Soft-Biometrics: Leveraging Face Recognition CNNs for Age and Gender Prediction on Mobile Ocular Images [53.913598771836924]
スマートフォンで撮影した自撮り眼画像を使って年齢や性別を推定します。 ImageNet Challengeの文脈で提案された2つの既存の軽量CNNを適応させる。一部のネットワークは顔認識のためにさらにトレーニングされており、非常に大規模なトレーニングデータベースが利用可能です。
論文参考訳（メタデータ） (2021-03-31T01:48:29Z)
WebFace260M: A Benchmark Unveiling the Power of Million-Scale Deep Face Recognition [79.65728162193584]
ノイズの多い4M顔/260M顔(WebFace260M)と2M顔/42M顔(WebFace42M)を含む新しい百万スケール顔ベンチマークを提供します。我々は、挑戦的IJB-C集合の相対40%の故障率を減少させ、NIST-FRVTの430項目のうち3位にランク付けする。 10%のデータ(WebFace4M)でさえ、公開トレーニングセットよりも優れたパフォーマンスを示している。
論文参考訳（メタデータ） (2021-03-06T11:12:43Z)
BWCFace: Open-set Face Recognition using Body-worn Camera [0.8594140167290097]
本稿では,ボディウーンカメラ(BWC)を用いた最先端顔認識のギャップを埋めることを目的とする。本研究のコントリビューションは,1)ボディウーンカメラを用いて撮影した132人の被験者の合計178Kの顔画像からなるBWCFaceと呼ばれるデータセットの収集と,2)最新のディープラーニングベースの畳み込みニューラルネットワーク(CNN)アーキテクチャのオープンセット評価と,5種類の顔識別機能を組み合わせた。
論文参考訳（メタデータ） (2020-09-24T02:45:29Z)
SqueezeFacePoseNet: Lightweight Face Verification Across Different Poses for Mobile Platforms [55.84746218227712]
顔認識技術は、モバイルデバイスでカメラが利用できることを考えると、信頼性が高く堅牢なユーザー認証を提供することができる。ディープ畳み込みニューラルネットワークは、多くの正確な顔認証アーキテクチャをもたらすが、その典型的なサイズ(数百メガバイト)は、ダウンロード可能なモバイルアプリケーションに組み込むことができない。我々は,より大規模なモデルと比較して,十分な精度で動作可能な数メガバイトの軽量な顔認識ネットワークを開発した。
論文参考訳（メタデータ） (2020-07-16T19:02:38Z)

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。