論文の概要: EQFace: A Simple Explicit Quality Network for Face Recognition
- arxiv url: http://arxiv.org/abs/2105.00634v1
- Date: Mon, 3 May 2021 05:45:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-04 22:08:01.793672
- Title: EQFace: A Simple Explicit Quality Network for Face Recognition
- Title（参考訳）: EQFace: 顔認識のためのシンプルな明示的品質ネットワーク
- Authors: Rushuai Liu and Weijun Tan
- Abstract要約: 本稿では,特徴ベクトルの抽出と同時に明示的かつ定量的な品質スコアを与える,顔認識のためのネットワークを提案する。
このネットワークは、顔認識のベースラインネットワークに高品質のネットワークブランチを追加することで非常に簡単です。
オンライン映像認識における特徴集約手法として,3つの明示的な顔品質の応用を実演する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As the deep learning makes big progresses in still-image face recognition,
unconstrained video face recognition is still a challenging task due to low
quality face images caused by pose, blur, occlusion, illumination etc. In this
paper we propose a network for face recognition which gives an explicit and
quantitative quality score at the same time when a feature vector is extracted.
To our knowledge this is the first network that implements these two functions
in one network online. This network is very simple by adding a quality network
branch to the baseline network of face recognition. It does not require
training datasets with annotated face quality labels. We evaluate this network
on both still-image face datasets and video face datasets and achieve the
state-of-the-art performance in many cases. This network enables a lot of
applications where an explicit face quality scpre is used. We demonstrate three
applications of the explicit face quality, one of which is a progressive
feature aggregation scheme in online video face recognition. We design an
experiment to prove the benefits of using the face quality in this application.
Code will be available at \url{https://github.com/deepcam-cn/facequality}.
- Abstract（参考訳）: 深層学習は、静止画像認識において大きな進歩を遂げているため、ポーズ、ぼかし、オクルージョン、照明などによる画質の低い顔画像のために、制約のないビデオ顔認識は依然として難しい課題である。
本稿では,特徴ベクトルの抽出と同時に明示的かつ定量的な品質スコアを与える,顔認識のためのネットワークを提案する。
われわれの知る限り、これは1つのネットワークでこれら2つの機能を実装する最初のネットワークである。
このネットワークは、顔認識のベースラインネットワークに品質の高いネットワークブランチを追加することで非常に単純である。
注釈付き顔の品質ラベルを持つトレーニングデータセットは必要ない。
我々は,このネットワークを静止画顔データセットとビデオ画像データセットの両方で評価し,多くの場合,最先端のパフォーマンスを実現する。
このネットワークは、明示的な顔品質scpreが使用される多くのアプリケーションを可能にする。
オンライン映像認識における特徴集約手法として,3つの明示的な顔品質の応用を実演する。
このアプリケーションで顔の品質を使うことの利点を証明する実験を設計する。
コードは \url{https://github.com/deepcam-cn/facequality}で入手できる。
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) - A Study on the Impact of Face Image Quality on Face Recognition in the
Wild [6.916620974833163]
本研究では,野生の顔画像における深層学習手法の性能評価を行い,これらのデータを用いた人間の顔検証実験を設計する。
この結果から,ディープラーニングにおける品質問題の研究は依然として徹底的に行う必要があることが示唆された。
論文 参考訳（メタデータ） (2023-07-05T22:41:14Z) - Multi-Prior Learning via Neural Architecture Search for Blind Face
Restoration [61.27907052910136]
Blind Face Restoration (BFR)は、高品質な顔画像から高品質な顔画像を復元することを目的としている。
1)手動チューニングを伴わない強力なネットワークアーキテクチャの導出方法,2) 複数の顔前者からの補完情報を1つのネットワークで取得して復元性能を向上させる方法,の2つの大きな課題がある。
特定検索空間内において,適切な特徴抽出アーキテクチャを適応的に探索する顔復元検索ネットワーク(FRSNet)を提案する。
論文 参考訳（メタデータ） (2022-06-28T12:29:53Z) - Balanced Masked and Standard Face Recognition [1.2149550080095914]
ICCV 2021のマスク付き顔認識チャレンジのWebfaceトラックとInsightface/Glint360Kトラックのための改良されたネットワークアーキテクチャ、データ拡張、トレーニング戦略について述べる。
論文 参考訳（メタデータ） (2021-10-04T15:41:05Z) - Network Architecture Search for Face Enhancement [82.25775020564654]
我々は、NASFE(Network Architecture Search for Face Enhancement)と呼ばれるマルチタスクの顔復元ネットワークを提案する。
NASFEは、単一の劣化(すなわち)を含む低品質の顔画像を高めることができる。
ノイズまたはぼやけ)または複数の劣化(ノイズ+ブラル+ローライト)
論文 参考訳（メタデータ） (2021-05-13T19:46:05Z) - 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) - Explainable Face Recognition [4.358626952482686]
本稿では,説明可能な顔認識のための総合的なベンチマークとベースライン評価を行う。
95人の被験者からなる3648個の三つ子(プローブ,配偶子,非配偶子)のキュレートしたセットである「インペイントゲーム」と呼ばれる新しい評価プロトコルを定義した。
探索画像内のどの領域が交配画像と一致しているかを最もよく説明するネットワークアテンションマップを生成するための説明可能なフェイスマーカを課題とする。
論文 参考訳（メタデータ） (2020-08-03T14:47:51Z) - DotFAN: A Domain-transferred Face Augmentation Network for Pose and
Illumination Invariant Face Recognition [94.96686189033869]
本稿では,3次元モデルを用いたドメイン転送型顔強調ネットワーク(DotFAN)を提案する。
DotFANは、他のドメインから収集された既存のリッチフェイスデータセットから抽出された知識に基づいて、入力顔の一連の変種を生成することができる。
実験によると、DotFANは、クラス内の多様性を改善するために、小さな顔データセットを増やすのに有益である。
論文 参考訳（メタデータ） (2020-02-23T08:16:34Z) - Exploiting Semantics for Face Image Deblurring [121.44928934662063]
本稿では,深層畳み込みニューラルネットワークによる意味的手がかりを利用して,効果的かつ効率的な顔分解アルゴリズムを提案する。
顔のセマンティックラベルを入力先として組み込んで,顔の局所構造を正規化するための適応的構造損失を提案する。
提案手法は、より正確な顔の特徴と細部を持つシャープ画像を復元する。
論文 参考訳（メタデータ） (2020-01-19T13:06:27Z)
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。