論文の概要: using multiple losses for accurate facial age estimation

• arxiv url: http://arxiv.org/abs/2106.09393v1
• Date: Thu, 17 Jun 2021 11:18:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-18 15:51:13.898874
• Title: using multiple losses for accurate facial age estimation
• Title（参考訳）: 顔の正確な年齢推定に多重損失を用いる
• Authors: Yi Zhou, Heikki Huttunen, Tapio Elomaa
• Abstract要約: 本稿では,分類に基づく手法と比較して,年齢推定をシンプルかつ効果的に行う手法を提案する。 CVPR Chalearn 2016データセット上での年齢-粒度-ネットフレームワークの有効性を検証し,提案手法が個々の損失と比較して予測誤差を低減できることを示す。
• 参考スコア（独自算出の注目度）: 6.851375622634309
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Age estimation is an essential challenge in computer vision. With the advances of convolutional neural networks, the performance of age estimation has been dramatically improved. Existing approaches usually treat age estimation as a classification problem. However, the age labels are ambiguous, thus make the classification task difficult. In this paper, we propose a simple yet effective approach for age estimation, which improves the performance compared to classification-based methods. The method combines four classification losses and one regression loss representing different class granularities together, and we name it as Age-Granularity-Net. We validate the Age-Granularity-Net framework on the CVPR Chalearn 2016 dataset, and extensive experiments show that the proposed approach can reduce the prediction error compared to any individual loss. The source code link is https://github.com/yipersevere/age-estimation.
• Abstract（参考訳）: 年齢推定はコンピュータビジョンの重要な課題である。 畳み込みニューラルネットワークの進歩により、年齢推定の性能は劇的に改善された。 既存のアプローチは通常、年齢推定を分類問題として扱う。 しかし,年齢ラベルは曖昧であり,分類作業が困難である。 本稿では, 分類に基づく手法と比較して, 性能を向上する, 年齢推定のための簡易かつ効果的な手法を提案する。 本手法は,4つの分類損失と1つの回帰損失を組み合わせて,年齢-粒度-ネットと呼ぶ。 cvpr chalearn 2016データセット上で年齢-粒度-netフレームワークを検証し,提案手法が個々の損失と比較して予測誤差を低減できることを示す。 ソースコードリンクはhttps://github.com/yipersevere/age-estimation。

関連論文リスト

• Deep Imbalanced Regression via Hierarchical Classification Adjustment [50.19438850112964]
  コンピュータビジョンにおける回帰タスクは、しばしば、対象空間をクラスに定量化することで分類される。 トレーニングサンプルの大多数は目標値の先頭にあるが、少数のサンプルは通常より広い尾幅に分布する。 不均衡回帰タスクを解くために階層型分類器を構築することを提案する。 不均衡回帰のための新しい階層型分類調整(HCA)は,3つのタスクにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2023-10-26T04:54:39Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Noise-Tolerance GPU-based Age Estimation Using ResNet-50 [0.0]
  UTKFaceデータセットにディープ残差ニューラルネットワークを実装した。 入力データに15dBのノイズを注入した場合,実装ネットワークの性能は1.5%以下であることを示す。
  論文  参考訳（メタデータ） (2023-04-26T16:38:41Z)
• Adaptive Mean-Residue Loss for Robust Facial Age Estimation [7.667560350473354]
  本稿では,分布学習による顔年齢推定のための損失関数を提案する。 FG-NETとCLAP2016のデータセットでの実験結果により、提案された損失の有効性が検証された。
  論文  参考訳（メタデータ） (2022-03-31T16:28:34Z)
• LAE : Long-tailed Age Estimation [52.5745217752147]
  まず、簡単な標準ベースラインを定式化し、事前トレーニング、データ拡張、モデルアーキテクチャなどのトリックを収集することで、はるかに強力なベースラインを構築します。 標準ベースラインと比較して,提案手法は推定誤差を著しく低減する。 本稿では,Long-tailed Age Estimation (LAE) という2段階の学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-25T09:05:44Z)
• FP-Age: Leveraging Face Parsing Attention for Facial Age Estimation in the Wild [50.8865921538953]
  年齢推定に顔のセマンティクスを明示的に組み込む手法を提案する。 我々は,顔解析に基づくネットワークを設計し,異なるスケールで意味情報を学習する。 提案手法は,既存の年齢推定手法を常に上回っていることを示す。
  論文  参考訳（メタデータ） (2021-06-21T14:31:32Z)
• Hierarchical Attention-based Age Estimation and Bias Estimation [16.335191345543063]
  顔画像に基づく年齢推定のための新しい深層学習手法を提案する。 提案手法は,現代的スキームを上回り,新しい最先端の年齢推定精度を提供する。
  論文  参考訳（メタデータ） (2021-03-17T19:41:34Z)
• Integrated Age Estimation Mechanism [14.66142603273126]
  提案した年齢推定機構は, 年齢推定のトレードオフ効果が良好である。 このメカニズムは、異なる特定の年齢推定アルゴリズムを構築するために使用できるフレームワークメカニズムである。
  論文  参考訳（メタデータ） (2021-03-11T09:14:10Z)
• Class-incremental Learning with Rectified Feature-Graph Preservation [24.098892115785066]
  本論文の中心的なテーマは,逐次的な段階を経る新しいクラスを学習することである。 旧知識保存のための重み付きユークリッド正規化を提案する。 新しいクラスを効果的に学習するために、クラス分離を増やすためにバイナリクロスエントロピーでどのように機能するかを示す。
  論文  参考訳（メタデータ） (2020-12-15T07:26:04Z)
• Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
  オープンセット認識の問題点を考察する。 新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-05-27T23:49:26Z)
• Equalization Loss for Long-Tailed Object Recognition [109.91045951333835]
  最先端のオブジェクト検出手法は、大きな語彙と長い尾を持つデータセットでは依然として不十分である。 そこで本稿では,長期的希少なカテゴリーの課題に対処するために,同化損失という,シンプルだが効果的な損失を提案する。 LVISベンチマークでは,レアおよび共通カテゴリのAP利得が4.1%,レアおよび共通カテゴリが4.8%である。
  論文  参考訳（メタデータ） (2020-03-11T09:14:53Z)

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。