論文の概要: EMface: Detecting Hard Faces by Exploring Receptive Field Pyraminds
- arxiv url: http://arxiv.org/abs/2105.10104v1
- Date: Fri, 21 May 2021 03:01:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 12:32:37.260424
- Title: EMface: Detecting Hard Faces by Exploring Receptive Field Pyraminds
- Title（参考訳）: emface: 受容野pyramindsの探索による硬い顔の検出
- Authors: Leilei Cao, Yao Xiao, and Lin Xu
- Abstract要約: 本稿では,特徴ピラミッドの表現能力を高めるための簡易かつ効果的な手法を提案する。
検出された顔の様々なスケールに基づいて、各特徴マップで異なる受容場を適応的に学習することができる。
提案手法は,最先端性能を達成しつつ,推論速度を著しく向上させることができる。
- 参考スコア（独自算出の注目度）: 10.926608043159918
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scale variation is one of the most challenging problems in face detection.
Modern face detectors employ feature pyramids to deal with scale variation.
However, it might break the feature consistency across different scales of
faces. In this paper, we propose a simple yet effective method named the
receptive field pyramids (RFP) method to enhance the representation ability of
feature pyramids. It can learn different receptive fields in each feature map
adaptively based on the varying scales of detected faces. Empirical results on
two face detection benchmark datasets, i.e., WIDER FACE and UFDD, demonstrate
that our proposed method can accelerate the inference rate significantly while
achieving state-of-the-art performance. The source code of our method is
available at \url{https://github.com/emdata-ailab/EMface}.
- Abstract（参考訳）: スケールの変動は、顔検出において最も難しい問題の1つである。
現代の顔検出装置は、スケールの変化を扱うために特徴ピラミッドを用いる。
しかし、異なる規模の顔にまたがる機能の一貫性を損なう可能性がある。
本稿では,特徴ピラミッドの表現能力を向上させるためのrfp法(receptive field pyramids)という簡易かつ効果的な手法を提案する。
検出された顔の様々なスケールに基づいて、各特徴マップの異なる受容野を適応的に学習することができる。
WIDER FACE と UFDD の2つの顔検出ベンチマークデータセットによる実験結果から,提案手法は最先端性能を達成しつつ,推論速度を著しく向上させることができることを示した。
我々のメソッドのソースコードは \url{https://github.com/emdata-ailab/EMface} で入手できる。
関連論文リスト
- FreqBlender: Enhancing DeepFake Detection by Blending Frequency Knowledge [52.63528223992634]
既存の方法は、通常、空間領域で実際の顔と偽の顔とを混ぜ合わせて合成偽の顔を生成する。
本稿では,周波数知識をブレンドして擬似フェイク顔を生成する新しい手法であるem FreqBlenderを紹介する。
実験により,DeepFake検出の高速化に本手法の有効性が示され,他の手法のプラグ・アンド・プレイ戦略の可能性が確認された。
論文 参考訳（メタデータ） (2024-04-22T04:41:42Z) - DeepFidelity: Perceptual Forgery Fidelity Assessment for Deepfake
Detection [67.3143177137102]
ディープフェイク検出(Deepfake detection)とは、画像やビデオにおいて、人工的に生成された顔や編集された顔を検出すること。
本稿では,実顔と偽顔とを適応的に識別するDeepFidelityという新しいDeepfake検出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-07T07:19:45Z) - COMICS: End-to-end Bi-grained Contrastive Learning for Multi-face Forgery Detection [56.7599217711363]
顔偽造認識法は一度に1つの顔しか処理できない。
ほとんどの顔偽造認識法は一度に1つの顔しか処理できない。
マルチフェイスフォージェリ検出のためのエンドツーエンドフレームワークであるCOMICSを提案する。
論文 参考訳（メタデータ） (2023-08-03T03:37:13Z) - Precise Facial Landmark Detection by Reference Heatmap Transformer [52.417964103227696]
より正確に顔のランドマークを検出するための参照ヒートマップ変換器(RHT)を提案する。
評価実験の結果,提案手法は文献における最先端の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-03-14T12:26:48Z) - Robust Face-Swap Detection Based on 3D Facial Shape Information [59.32489266682952]
顔のスワップ画像やビデオは、悪意ある攻撃者を惹きつけ、重要な人物の信用を損ねている。
以前のピクセルレベルのアーティファクトに基づく検出技術は、常に不明瞭なパターンにフォーカスするが、利用可能なセマンティックなヒントは無視する。
キーフィギュアの顔・スワップ検出のための外観・形状特徴をフル活用するための生体情報に基づく手法を提案する。
論文 参考訳（メタデータ） (2021-04-28T09:35:48Z) - MogFace: Rethinking Scale Augmentation on the Face Detector [17.570686622370403]
本研究では,画像の前景情報と後景情報とスケール情報を含む先行ソリューションの違いについて検討する。
本稿では,これらの2つの情報を効率的に同時に同化できるSSE戦略を提案する。
本手法は,すべての顔検出ベンチマークにおける最先端検出性能を実現する。
論文 参考訳（メタデータ） (2021-03-20T09:17:04Z) - 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) - One-Shot GAN Generated Fake Face Detection [3.3707422585608953]
本稿では,汎用的なワンショットGAN生成顔検出手法を提案する。
提案手法は,シーン理解モデルを用いて顔から文脈外オブジェクトを抽出する。
実験の結果,文脈外の特徴の観点から,偽の顔と現実の顔とを識別できることが判明した。
論文 参考訳（メタデータ） (2020-03-27T05:51:14Z) - Deep Spatial Gradient and Temporal Depth Learning for Face Anti-spoofing [61.82466976737915]
深層学習は、顔の反偽造の最も効果的な方法の1つとして証明されている。
2つの洞察に基づいて,複数フレームからの提示攻撃を検出する新しい手法を提案する。
提案手法は,5つのベンチマークデータセットの最先端結果を実現する。
論文 参考訳（メタデータ） (2020-03-18T06:11:20Z) - Robust Facial Landmark Detection via Aggregation on Geometrically
Manipulated Faces [32.391300491317445]
操作された顔画像のアグリゲーションに同調する。
入力領域における幾何学的操作は、小さいが慎重に設計されているため、深層顔認識モデルを騙すことができる。
提案手法は,ベンチマークデータセットAFLW,300-W,COFWの最先端手法に比べて優れていることを示す。
論文 参考訳（メタデータ） (2020-01-07T16:43:09Z)
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。