論文の概要: Uncover Common Facial Expressions in Terracotta Warriors: A Deep Learning Approach

• arxiv url: http://arxiv.org/abs/2105.04826v1
• Date: Tue, 11 May 2021 07:28:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-12 13:58:33.292011
• Title: Uncover Common Facial Expressions in Terracotta Warriors: A Deep Learning Approach
• Title（参考訳）: terracotta warriorsの一般的な表情を明らかにする - ディープラーニングアプローチ
• Authors: Wenhong Tian, Yuanlun Xie, Tingsong Ma, Hengxin Zhang
• Abstract要約: 本論文では,深層学習技術を用いて,一般的なテラコッタ戦士の一般的な表情を検出する。 本稿は, 一般と姿勢を持つterracotta戦士の共通の表情を, 深層学習技術を用いて初めて発見する。
• 参考スコア（独自算出の注目度）: 0.8315801422499862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Can advanced deep learning technologies be applied to analyze some ancient humanistic arts? Can deep learning technologies be directly applied to special scenes such as facial expression analysis of Terracotta Warriors? The big challenging is that the facial features of the Terracotta Warriors are very different from today's people. We found that it is very poor to directly use the models that have been trained on other classic facial expression datasets to analyze the facial expressions of the Terracotta Warriors. At the same time, the lack of public high-quality facial expression data of the Terracotta Warriors also limits the use of deep learning technologies. Therefore, we firstly use Generative Adversarial Networks (GANs) to generate enough high-quality facial expression data for subsequent training and recognition. We also verify the effectiveness of this approach. For the first time, this paper uses deep learning technologies to find common facial expressions of general and postured Terracotta Warriors. These results will provide an updated technical means for the research of art of the Terracotta Warriors and shine lights on the research of other ancient arts.
• Abstract（参考訳）: 高度なディープラーニング技術は、古代の人文芸術の分析に応用できるのか? Terracotta Warriorの表情解析のような特別な場面にディープラーニング技術を直接適用できるだろうか? 大きな課題は、Terracotta Warriorsの顔機能は、今日の人々と非常に異なることです。 Terracotta Warriorsの表情を解析するために、他の古典的な表情データセットでトレーニングされたモデルを直接使用するのは、非常に貧弱であることが分かりました。 同時に、Terracotta Warriorsのパブリックな高品質な表情データが欠如しているため、ディープラーニング技術の使用も制限されています。 そこで我々はまず,gans(generative adversarial network)を用いて,その後の訓練や認識に十分な品質の表情データを生成する。 また、このアプローチの有効性を検証する。 本稿は, 一般と姿勢を持つterracotta戦士の共通の表情を, 深層学習技術を用いて初めて発見する。 これらの結果は、terracottaウォリアーズの芸術研究のための最新の技術手段を提供し、他の古代芸術の研究に光を当てる。

関連論文リスト

• UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
  高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。 我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
  論文  参考訳（メタデータ） (2024-07-26T20:51:54Z)
• Towards Localized Fine-Grained Control for Facial Expression Generation [54.82883891478555]
  人間、特にその顔は、豊かな表現と意図を伝える能力のために、コンテンツ生成の中心である。 現在の生成モデルは、主に平らな中立表現と文字なしの笑顔を認証なしで生成する。 顔生成における表情制御におけるAU(アクションユニット)の利用を提案する。
  論文  参考訳（メタデータ） (2024-07-25T18:29:48Z)
• Novel Artistic Scene-Centric Datasets for Effective Transfer Learning in Fragrant Spaces [6.780679790916122]
  文化遺産研究でしばしば見落とされ、人間の経験やアイデンティティを形作る上で重要な役割を担っている。 弱ラベル付き学習データを用いた移動学習手法は、香り空間の分類を著しく改善できることを示す。
  論文  参考訳（メタデータ） (2024-07-16T13:18:05Z)
• Automated Detection of Cat Facial Landmarks [8.435125986009881]
  猫の顔画像に境界ボックスと48個の顔のランドマークを付加した新しいデータセットを提出した。 本稿では、拡大エンセムベ法を用いて、ランドマーク検出畳み込みニューラルネットワークに基づくモデルを提案する。 本モデルは猫の顔に優れた性能を示し,ヒトの顔のランドマーク検出に一般化可能である。
  論文  参考訳（メタデータ） (2023-10-15T10:44:36Z)
• A survey on facial image deblurring [3.6775758132528877]
  顔画像がぼやけていると、顔認識などのハイレベルな視覚タスクに大きな影響を与えます。 本稿では,最近発表された顔画像の難読化手法について概説し,その大部分はディープラーニングに基づくものである。 本稿では,データセットとメトリクスにおける古典的手法の性能を示すとともに,モデルに基づく手法と学習に基づく手法の違いについて,簡単な議論を行う。
  論文  参考訳（メタデータ） (2023-02-10T02:24:56Z)
• 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)
• A Survey of Deep Face Restoration: Denoise, Super-Resolution, Deblur, Artifact Removal [177.21001709272144]
  顔復元(FR)は、低品質(LQ)入力画像から高品質(HQ)顔を復元することを目的としている。 本稿では,顔修復のための深層学習技術の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2022-11-05T07:08:15Z)
• FaceEraser: Removing Facial Parts for Augmented Reality [10.575917056215289]
  私たちの仕事は、すべての顔部分を取り除き、拡張現実のために空白の顔に視覚的要素を課すことです。 本研究では,空白の顔によく似通ったペアトレーニングデータを生成する新しいデータ生成手法を提案する。 提案手法は商用製品に統合され,その有効性は制約のないユーザ入力で検証されている。
  論文  参考訳（メタデータ） (2021-09-22T14:30:12Z)
• Indian Masked Faces in the Wild Dataset [86.79402670904338]
  本研究では,ポーズ,照明,解像度,被検者の着用するマスクの多様さを特徴とする,IMFWデータセットを新たに提案する。 また,提案したIMFWデータセットにおいて,既存の顔認識モデルの性能をベンチマークした。
  論文  参考訳（メタデータ） (2021-06-17T17:23:54Z)
• Deepfake Forensics via An Adversarial Game [99.84099103679816]
  顔偽造と画像・映像品質の両面での一般化能力向上のための対人訓練を提唱する。 AIベースの顔操作は、しばしば、一般化が困難であるモデルによって容易に発見できる高周波アーティファクトにつながることを考慮し、これらの特定のアーティファクトを曖昧にしようとする新しい逆トレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-25T02:20:08Z)
• Deep Detection for Face Manipulation [10.551455590390418]
  顔の操作を検出する深層学習手法を提案する。 特徴抽出と二項分類の2段階からなる。 その結果,ほとんどの場合,最先端技術よりも優れた性能が得られることがわかった。
  論文  参考訳（メタデータ） (2020-09-13T06:48:34Z)

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。