論文の概要: A machine learning pipeline for aiding school identification from child
trafficking images
- arxiv url: http://arxiv.org/abs/2106.05215v1
- Date: Wed, 9 Jun 2021 16:57:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-10 18:12:20.748107
- Title: A machine learning pipeline for aiding school identification from child
trafficking images
- Title（参考訳）: 児童交通画像からの学校識別を支援する機械学習パイプライン
- Authors: Sumit Mukherjee, Tina Sederholm, Anthony C. Roman, Ria Sankar, Sherrie
Caltagirone, Juan Lavista Ferres
- Abstract要約: 本研究では,子どもをインターセプト画像から識別するための概念実証機械学習パイプラインを開発した。
機械学習パイプラインがなければ、この膨大な時間と労働集約的なタスクは、法執行機関の職員が手作業で実行されます。
データ収集,ラベル付け,モデル開発,検証プロセス,およびモデル予測を用いた効率的な学校探索戦略について述べる。
- 参考スコア（独自算出の注目度）: 3.8494315501944736
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Child trafficking in a serious problem around the world. Every year there are
more than 4 million victims of child trafficking around the world, many of them
for the purposes of child sexual exploitation. In collaboration with UK Police
and a non-profit focused on child abuse prevention, Global Emancipation
Network, we developed a proof-of-concept machine learning pipeline to aid the
identification of children from intercepted images. In this work, we focus on
images that contain children wearing school uniforms to identify the school of
origin. In the absence of a machine learning pipeline, this hugely time
consuming and labor intensive task is manually conducted by law enforcement
personnel. Thus, by automating aspects of the school identification process, we
hope to significantly impact the speed of this portion of child identification.
Our proposed pipeline consists of two machine learning models: i) to identify
whether an image of a child contains a school uniform in it, and ii)
identification of attributes of different school uniform items (such as
color/texture of shirts, sweaters, blazers etc.). We describe the data
collection, labeling, model development and validation process, along with
strategies for efficient searching of schools using the model predictions.
- Abstract（参考訳）: 世界中の深刻な問題で交通機関の子供。
毎年、世界中で400万人以上の児童売買の被害者がおり、その多くは子供の性的搾取を目的としている。
英国警察と児童虐待防止を専門とする非営利団体Global Emancipation Networkの協力を得て, インターセプト画像からの子どもの識別を支援する概念実証機械学習パイプラインを開発した。
本研究は,学校の制服を着用している子どもたちが出身校を特定するイメージに焦点を当てる。
機械学習パイプラインが存在しない場合、この膨大な時間と労働集約的なタスクは、法執行機関によって手作業で行われる。
そこで,学校識別プロセスの自動化により,児童識別のこの部分の速度に大きな影響を与えることを期待する。
提案するパイプラインは,2つの機械学習モデルから構成される。i) 子供のイメージが学校の制服を含むかどうかを識別し,ii) 異なる学校の制服アイテム(シャツ,セーター,ブレザーの色/テキストなど)の属性を識別する。
データ収集,ラベル付け,モデル開発,検証プロセス,およびモデル予測を用いた効率的な学校探索戦略について述べる。
関連論文リスト
- ChildDiffusion: Unlocking the Potential of Generative AI and Controllable Augmentations for Child Facial Data using Stable Diffusion and Large Language Models [1.1470070927586018]
この枠組みは、民族データ、微妙な表現、顔ポーズのバリエーション、目まき効果、異なる髪の色とスタイル、老化、複数と異なる子供の性別を単一のフレームでレンダリングすることによって検証される。
提案手法は、時間的不整合や出力の限られた制御など、生成AIツールで発生する一般的な問題を回避している。
論文 参考訳（メタデータ） (2024-06-17T14:37:14Z) - Self-Explainable Affordance Learning with Embodied Caption [63.88435741872204]
具体的キャプションを具現化したSelf-Explainable Affordance Learning (SEA)を紹介する。
SEAは、ロボットが意図を明確に表現し、説明可能な視覚言語キャプションと視覚能力学習のギャップを埋めることを可能にする。
本稿では, 簡便かつ効率的な方法で, 空き地と自己説明を効果的に組み合わせた新しいモデルを提案する。
論文 参考訳（メタデータ） (2024-04-08T15:22:38Z) - Leveraging Self-Supervised Learning for Scene Classification in Child Sexual Abuse Imagery [7.47716232790068]
毎年、1000万人以上の児童性的虐待の報告が全米少年・爆発児センターに提出されている。
80%以上はオンライン・ソースから来ている。
この研究は、シーン中心のデータに基づいて事前訓練された自己教師型ディープラーニングモデルが71.6%の精度に達することを示した。
論文 参考訳（メタデータ） (2024-03-02T11:44:14Z) - A Comparative Study of Image-to-Image Translation Using GANs for
Synthetic Child Race Data [1.6536018920603175]
本研究では、画像から画像への変換を利用して、異なる人種のデータを合成し、子供の顔データの民族性を調整することを提案する。
我々は、民族をスタイルとみなし、コーカサス人の児童データとアジア人の児童データ変換を実装するために、3つの異なる画像と画像のニューラルネットワークに基づく手法を比較した。
論文 参考訳（メタデータ） (2023-08-08T12:54:05Z) - Joint Person Identity, Gender and Age Estimation from Hand Images using Deep Multi-Task Representation Learning [0.0]
画像から人物の身元、性別、年齢を共同で推定するマルチタスク表現学習フレームワークを提案する。
公開可能な1kハンドデータセット上で,畳み込みベースと変圧器ベースの両方のディープラーニングアーキテクチャの評価と比較を行う。
実験により, 身元だけでなく, 被疑者の性別や年齢などの属性を手動画像から効率的に推定できることが示唆された。
論文 参考訳（メタデータ） (2023-03-27T14:52:08Z) - Revealing Unfair Models by Mining Interpretable Evidence [50.48264727620845]
機械学習の人気は、不公平なモデルがハイリスクなアプリケーションにデプロイされるリスクを高めている。
本稿では,解釈可能な証拠をマイニングすることで不公平なモデルを明らかにする新しい課題に取り組む。
本手法は,訓練されたモデルの不公平性を効果的に明らかにするために,極めて解釈可能な確固たる証拠を見出す。
論文 参考訳（メタデータ） (2022-07-12T20:03:08Z) - Using Navigational Information to Learn Visual Representations [7.747924294389427]
コントラスト学習の事前学習段階における空間的・時間的情報を用いることで、下流分類の性能を向上させることができることを示す。
この研究は、表現学習を改善するための文脈情報の有効性と効率を明らかにする。
論文 参考訳（メタデータ） (2022-02-10T20:17:55Z) - Playful Interactions for Representation Learning [82.59215739257104]
本稿では,下流タスクの視覚的表現を学習するために,遊び心のあるインタラクションを自己指導的に利用することを提案する。
19の多様な環境で2時間の遊び心のあるデータを収集し、自己予測学習を用いて視覚的表現を抽出する。
我々の表現は、標準的な行動クローニングよりも一般化され、必要なデモの半数しか必要とせず、同様の性能を達成できる。
論文 参考訳（メタデータ） (2021-07-19T17:54:48Z) - Factors of Influence for Transfer Learning across Diverse Appearance
Domains and Task Types [50.1843146606122]
現在の最新のコンピュータビジョンモデルでは、簡単な転送学習が一般的です。
転校学習に関するこれまでの体系的な研究は限られており、作業が期待される状況は十分に理解されていない。
本論文では,非常に異なる画像領域にまたがる転送学習の広範な実験的研究を行う。
論文 参考訳（メタデータ） (2021-03-24T16:24:20Z) - Apparel-invariant Feature Learning for Apparel-changed Person
Re-identification [70.16040194572406]
ほとんどのパブリックなReIDデータセットは、人の外観がほとんど変化しない短時間のウィンドウで収集される。
ショッピングモールのような現実世界の応用では、同じ人の服装が変化し、異なる人が同様の服を着ることがある。
着替えなどの場合や、類似の服を着ている場合などにおいて、アパレル不変の人物表現を学ぶことは極めて重要である。
論文 参考訳（メタデータ） (2020-08-14T03:49:14Z) - Improving Object Detection with Selective Self-supervised Self-training [62.792445237541145]
本研究では,Web画像を利用した人為的対象検出データセットの強化について検討する。
画像と画像の検索によりWebイメージを検索し、他の検索手法に比べて、キュレートされたデータからのドメインシフトが少なくなる。
画像分類のためのラベルのないデータを探索する2つの並列処理をモチベーションとした新しい学習手法を提案する。
論文 参考訳（メタデータ） (2020-07-17T18:05:01Z)
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。