Fugu-MT 論文翻訳(概要): Canonical Face Embeddings

論文の概要: Canonical Face Embeddings

arxiv url: http://arxiv.org/abs/2106.07822v1
Date: Tue, 15 Jun 2021 00:52:05 GMT
ステータス: 処理完了
システム内更新日: 2021-06-16 15:33:42.099205
Title: Canonical Face Embeddings
Title（参考訳）: Canonical Face Embeddings
Authors: David McNeely-White, Ben Sattelberg, Nathaniel Blanchard, Ross Beveridge
Abstract要約: フェース検証のために訓練された多くの共通畳み込みニューラルネットワーク(CNN)が、回転下でほぼ等価な関数を学習する証拠を示す。一方の面検証モデルの埋め込みは、回転や線形変換のみの後に、他方のモデルの埋め込みと直接比較できることを実証する。
参考スコア（独自算出の注目度）: 0.7646713951724012
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present evidence that many common convolutional neural networks (CNNs) trained for face verification learn functions that are nearly equivalent under rotation. More specifically, we demonstrate that one face verification model's embeddings (i.e. last--layer activations) can be compared directly to another model's embeddings after only a rotation or linear transformation, with little performance penalty. This finding is demonstrated using IJB-C 1:1 verification across the combinations of ten modern off-the-shelf CNN-based face verification models which vary in training dataset, CNN architecture, way of using angular loss, or some combination of the 3, and achieve a mean true accept rate of 0.96 at a false accept rate of 0.01. When instead evaluating embeddings generated from two CNNs, where one CNN's embeddings are mapped with a linear transformation, the mean true accept rate drops to 0.95 using the same verification paradigm. Restricting these linear maps to only perform rotation produces a mean true accept rate of 0.91. These mappings' existence suggests that a common representation is learned by models with variation in training or structure. A discovery such as this likely has broad implications, and we provide an application in which face embeddings can be de-anonymized using a limited number of samples.
Abstract（参考訳）: フェース検証のために訓練された多くの共通畳み込みニューラルネットワーク(CNN)は、回転下でほぼ等価な関数を学習する。より具体的には、1つの顔検証モデルの埋め込み(つまり)を実証する。最後の層アクティベーション)は、ローテーションや線形変換だけで、パフォーマンスのペナルティが少なく、他のモデルの埋め込みと直接比較することができる。この発見は、トレーニングデータセット、CNNアーキテクチャ、角損失の使用方法、または3の組み合わせによって異なる10種類の近代的なCNNベースの顔検証モデルの組み合わせに対して、IJB-C 1:1検証を行い、0.01の誤受率で平均0.96の真受率を得る。 1つのCNNの埋め込みを線形変換でマッピングする2つのCNNから生成された埋め込みを評価する場合、平均真受け入れ率は、同じ検証パラダイムを用いて0.95に低下する。これらの線型写像を回転のみに制限すると、平均真受率 0.91 となる。これらのマッピングの存在は、共通の表現が訓練や構造の変化のあるモデルによって学習されることを示唆している。このような発見は幅広い意味を持つ可能性があり、限られた数のサンプルを用いて顔埋め込みを匿名化できるアプリケーションを提供する。

関連論文リスト

On the effectiveness of partial variance reduction in federated learning with heterogeneous data [27.527995694042506]
クライアント間の最終分類層の多様性は、FedAvgアルゴリズムの性能を阻害することを示す。そこで本研究では,最終層のみの分散還元によるモデル修正を提案する。同様の通信コストや低い通信コストで既存のベンチマークを著しく上回っていることを実証する。
論文参考訳（メタデータ） (2022-12-05T11:56:35Z)
Improved techniques for deterministic l2 robustness [63.34032156196848]
畳み込みニューラルネットワーク(CNN)を$l_2$ノルムの下で厳密な1-Lipschitz制約で訓練することは、対向的堅牢性、解釈可能な勾配、安定した訓練に有用である。我々は,最後の線形層を1重層に置き換えることで,1-Lipschitz CNNのロバスト性を証明する手法を提案する。我々は,CIFAR-10およびCIFAR-100における標準および証明可能な堅牢な精度の最先端化を図る。
論文参考訳（メタデータ） (2022-11-15T19:10:12Z)
Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
論文参考訳（メタデータ） (2022-10-26T15:21:39Z)
Compare learning: bi-attention network for few-shot learning [6.559037166322981]
距離学習と呼ばれる数ショットの学習手法の1つは、画像のペアが同じカテゴリに属しているかどうかを判断するために、まず遠距離計量を学習することで、この課題に対処する。本稿では, インスタンスの埋め込みの類似性を正確に, グローバルかつ効率的に測定できる, Bi-attention Network という新しい手法を提案する。
論文参考訳（メタデータ） (2022-03-25T07:39:10Z)
Benign Overfitting in Two-layer Convolutional Neural Networks [90.75603889605043]
2層畳み込みニューラルネットワーク(CNN)の訓練における良性過剰適合現象の検討信号対雑音比が一定の条件を満たすと、勾配降下により訓練された2層CNNが任意に小さな訓練と試験損失を達成できることを示す。一方、この条件が保たない場合、オーバーフィッティングは有害となり、得られたCNNは一定レベルのテスト損失しか達成できない。
論文参考訳（メタデータ） (2022-02-14T07:45:51Z)
ECINN: Efficient Counterfactuals from Invertible Neural Networks [80.94500245955591]
本稿では, 画像分類における可逆ニューラルネットワークの生成能力を利用して, 対実例を効率的に生成する手法ECINNを提案する。 ECINNはクローズドフォーム表現を持ち、たった2つの評価の時点で反事実を生成する。私たちの実験では、ECINNがクラス依存イメージ領域を変更して、反現実の知覚的および予測的クラスを変更する方法を示す。
論文参考訳（メタデータ） (2021-03-25T09:23:24Z)
Shift Invariance Can Reduce Adversarial Robustness [20.199887291186364]
シフト不変性は、分類のパフォーマンスを向上させるCNNの重要な特性です。円偏移に対する不変性は、敵の攻撃に対する感受性を高めることも示している。
論文参考訳（メタデータ） (2021-03-03T21:27:56Z)
Exploring the Interchangeability of CNN Embedding Spaces [0.5735035463793008]
画像分類CNN10点と顔認識CNN4点をマップする。同じクラスにトレーニングされ、共通のバックエンド-ログアーキテクチャを共有するCNNの場合、リニアマッピングは常にバックエンド層重みから直接計算される。この意味は遠く離れており、共通のタスクのために設計、訓練されたネットワークによって学習された表現間の基礎的な共通性を示している。
論文参考訳（メタデータ） (2020-10-05T20:32:40Z)
The FaceChannel: A Fast & Furious Deep Neural Network for Facial Expression Recognition [71.24825724518847]
顔の表情の自動認識(FER)の最先端モデルは、非常に深いニューラルネットワークに基づいており、訓練には効果的だがかなり高価である。私たちは、一般的なディープニューラルネットワークよりもはるかに少ないパラメータを持つ軽量ニューラルネットワークであるFaceChannelを形式化します。我々は、私たちのモデルがFERの現在の最先端技術に匹敵するパフォーマンスを達成する方法を実証する。
論文参考訳（メタデータ） (2020-09-15T09:25:37Z)
Embedding Propagation: Smoother Manifold for Few-Shot Classification [131.81692677836202]
本稿では, 組込み伝搬を非教師なし非パラメトリック正規化器として, 数ショット分類における多様体平滑化に用いることを提案する。埋め込み伝播がより滑らかな埋め込み多様体を生み出すことを実証的に示す。複数の半教師付き学習シナリオにおいて,埋め込み伝搬によりモデルの精度が最大16%向上することを示す。
論文参考訳（メタデータ） (2020-03-09T13:51:09Z)

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。