論文の概要: Federated Face Recognition

• arxiv url: http://arxiv.org/abs/2105.02501v1
• Date: Thu, 6 May 2021 08:07:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-07 13:39:23.534688
• Title: Federated Face Recognition
• Title（参考訳）: フェデレーション顔認識
• Authors: Fan Bai, Jiaxiang Wu, Pengcheng Shen, Shaoxin Li and Shuigeng Zhou
• Abstract要約: Federated Learningは、当事者間でデータを共有せずに協力的にモデルをトレーニングする。 本稿では,顔認識のためのフェデレーション学習を革新するフレームワークFedFaceを提案する。
• 参考スコア（独自算出の注目度）: 30.344709613627764
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face recognition has been extensively studied in computer vision and artificial intelligence communities in recent years. An important issue of face recognition is data privacy, which receives more and more public concerns. As a common privacy-preserving technique, Federated Learning is proposed to train a model cooperatively without sharing data between parties. However, as far as we know, it has not been successfully applied in face recognition. This paper proposes a framework named FedFace to innovate federated learning for face recognition. Specifically, FedFace relies on two major innovative algorithms, Partially Federated Momentum (PFM) and Federated Validation (FV). PFM locally applies an estimated equivalent global momentum to approximating the centralized momentum-SGD efficiently. FV repeatedly searches for better federated aggregating weightings via testing the aggregated models on some private validation datasets, which can improve the model's generalization ability. The ablation study and extensive experiments validate the effectiveness of the FedFace method and show that it is comparable to or even better than the centralized baseline in performance.
• Abstract（参考訳）: 近年、顔認識はコンピュータビジョンや人工知能のコミュニティで広く研究されている。 顔認識の重要な課題はデータのプライバシーである。 共通のプライバシ保存手法として,相互にデータを共有することなく協調的にモデルを訓練するために,連合学習が提案されている。 しかし、私たちの知る限りでは、顔認識にはうまく適用されていない。 本稿では,顔認識のためのフェデレーション学習を革新するフレームワークFedFaceを提案する。 具体的には、federated momentum(pfm)とfederated validation(fv)という2つの主要な革新的なアルゴリズムに依存している。 PFMは、中央の運動量-SGDを効率的に近似するために、推定される等価な大域運動量を適用する。 fvは、いくつかのプライベートバリデーションデータセット上で集約モデルをテストすることによって、より優れたフェデレーション集約を繰り返し検索し、モデルの一般化能力を向上させることができる。 アブレーション実験および広範囲な実験により,FedFace法の有効性が検証され,中央集権ベースラインに匹敵するか否かが示された。

関連論文リスト

• Federated Face Forgery Detection Learning with Personalized Representation [63.90408023506508]
  ディープジェネレータ技術は、区別がつかない高品質のフェイクビデオを制作し、深刻な社会的脅威をもたらす可能性がある。 従来の偽造検出手法は、データを直接集中的に訓練する。 本稿では,個人化表現を用いた新しいフェデレーション顔偽造検出学習を提案する。
  論文  参考訳（メタデータ） (2024-06-17T02:20:30Z)
• AdaFedFR: Federated Face Recognition with Adaptive Inter-Class Representation Learning [14.139432393751298]
  本稿では,AdaFedFRというシンプルなフェデレーション顔認識フレームワークを提案する。 本研究では,公共アイデンティティの特徴表現を学習可能な負の知識として微妙に活用し,局所的な目的を最適化する。 実験により,本手法は,3ラウンド未満の通信ラウンドにおいて,複数の顔認識ベンチマークにおいて,従来の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-05-22T09:19:25Z)
• SASMU: boost the performance of generalized recognition model using synthetic face dataset [5.596292759115785]
  本稿では,合成データセットを用いた顔認識のための,シンプルで斬新で効果的な手法であるSASMUを提案する。 提案手法は空間データ拡張(SA)とスペクトル混合(SMU)からなる。
  論文  参考訳（メタデータ） (2023-06-02T11:11:00Z)
• Escaping Data Scarcity for High-Resolution Heterogeneous Face Hallucination [68.78903256687697]
  Heterogeneous Face Recognition (HFR) では、視覚や熱といった2つの異なる領域にまたがる顔のマッチングが目的である。 合成によるギャップを埋めようとする最近の手法は有望な結果を得たが、ペアトレーニングデータの不足により、その性能は依然として制限されている。 本稿では,HFRのための新しい顔幻覚パラダイムを提案する。これはデータ効率のよい合成を可能にするだけでなく,プライバシポリシーを破ることなくモデルトレーニングのスケールアップを可能にする。
  論文  参考訳（メタデータ） (2022-03-30T20:44:33Z)
• Improving Federated Learning Face Recognition via Privacy-Agnostic Clusters [7.437386882362172]
  この研究は、フェデレートされた顔認識を改善するためのフレームワークであるPrivacyFaceを提案する。 第一に, 局所的局所的クラスタリング機構は, 局所的なクラス中心から沈殿したクラスターを蒸留するために提案されている。 第二に、コンセンサス対応の認識損失は、その後、クライアント間のグローバルなコンセンサスを促進し、それによってより差別的な特徴が生まれる。
  論文  参考訳（メタデータ） (2022-01-29T01:27:04Z)
• Federated Learning for Face Recognition with Gradient Correction [52.896286647898386]
  本稿では,顔認識のためのフェデレーション学習に取り組むためのフレームワークであるFedGCを紹介する。 我々は,FedGCが標準ソフトマックスと同様の損失関数を構成することを示す。
  論文  参考訳（メタデータ） (2021-12-14T09:19:29Z)
• Differentially Private Federated Learning on Heterogeneous Data [10.431137628048356]
  フェデレートラーニング(Federated Learning、FL)は、大規模分散ラーニングのパラダイムである。 i)高度に異質なユーザデータからの効率的なトレーニング、(ii)参加ユーザのプライバシ保護という2つの大きな課題に直面しています。 本稿では,差分プライバシー(DP)制約を取り入れた新しいFL手法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T18:23:49Z)
• 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)
• WAFFLe: Weight Anonymized Factorization for Federated Learning [88.44939168851721]
  データが機密性やプライベート性を持つドメインでは、ローカルデバイスを離れることなく、分散的に学習できるメソッドには大きな価値があります。 本稿では,フェデレートラーニングのためのウェイト匿名化因子化(WAFFLe)を提案する。これは,インド・バフェット・プロセスとニューラルネットワークの重み要因の共有辞書を組み合わせたアプローチである。
  論文  参考訳（メタデータ） (2020-08-13T04:26:31Z)
• Federated Face Presentation Attack Detection [93.25058425356694]
  顔提示攻撃検出(fPAD)は、現代の顔認識パイプラインにおいて重要な役割を果たす。 本稿では,FedPAD(Federated Face Presentation Detection)フレームワークを提案する。 FedPADは、データプライバシを保持しながら、異なるデータオーナで利用可能な豊富なfPAD情報を同時に活用する。
  論文  参考訳（メタデータ） (2020-05-29T15:56:01Z)

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。