論文の概要: Image Resolution Susceptibility of Face Recognition Models
- arxiv url: http://arxiv.org/abs/2107.03769v1
- Date: Thu, 8 Jul 2021 11:30:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-09 13:45:31.749545
- Title: Image Resolution Susceptibility of Face Recognition Models
- Title（参考訳）: 顔認識モデルの解像度感受性
- Authors: Martin Knoche, Stefan H\"ormann, Gerhard Rigoll
- Abstract要約: まず,画像解像度が顔認証性能に与える影響を,最先端の顔認識モデルを用いて解析する。
合成で5倍の5倍の5倍の5倍になる画像の場合、検証性能は99.23%から約55%に低下する。
- 参考スコア（独自算出の注目度）: 8.368543987898732
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Face recognition approaches often rely on equal image resolution for
verification faces on two images. However, in practical applications, those
image resolutions are usually not in the same range due to different image
capture mechanisms or sources. In this work, we first analyze the impact of
image resolutions on the face verification performance with a state-of-the-art
face recognition model. For images, synthetically reduced to $5\, \times 5\,
\mathrm{px}$ resolution, the verification performance drops from $99.23\%$
increasingly down to almost $55\%$. Especially, for cross-resolution image
pairs (one high- and one low-resolution image), the verification accuracy
decreases even further. We investigate this behavior more in-depth by looking
at the feature distances for every 2-image test pair. To tackle this problem,
we propose the following two methods: 1) Train a state-of-the-art
face-recognition model straightforward with $50\%$ low-resolution images
directly within each batch. \\ 2) Train a siamese-network structure and adding
a cosine distance feature loss between high- and low-resolution features. Both
methods show an improvement for cross-resolution scenarios and can increase the
accuracy at very low resolution to approximately $70\%$. However, a
disadvantage is that a specific model needs to be trained for every
resolution-pair ...
- Abstract（参考訳）: 顔認識のアプローチは、2つの画像の検証に同じ解像度に依存することが多い。
しかし、現実的な応用では、これらの画像解像度は、通常、異なる画像キャプチャ機構やソースのため、同じ範囲にない。
本研究では,画像解像度が顔認証性能に与える影響を,最先端の顔認識モデルを用いて解析する。
画像は合成的に$5\, \times 5\, \mathrm{px}$ に減少し、検証性能は$99.23\%$から$5.5\%$に低下する。
特に、クロスレゾリューション画像対(1つの高解像度画像と1つの低解像度画像)では、検証精度はさらに低下する。
2-imageテストペアごとに特徴距離を調べることにより,この挙動をより深く調査する。
この問題に対処するために,1) 各バッチ内に直接50 %$の低解像度画像を用いて,最先端の顔認識モデルを訓練する。
2 シアムネットワーク構造を訓練し,高分解能特徴と低分解能特徴の間に余弦距離特徴損失を加える。
どちらの方法もクロスレゾリューションシナリオの改善を示しており、非常に低い解像度で約70\%$まで精度を向上させることができる。
しかし、デメリットは、特定のモデルを解像度ペア毎にトレーニングする必要があることだ。
関連論文リスト
- ResFormer: Scaling ViTs with Multi-Resolution Training [100.01406895070693]
私たちはResFormerを紹介します。ResFormerは、広く、ほとんど目に見えない、テストの解像度でパフォーマンスを改善するフレームワークです。
特にResFormerは、異なる解像度の再現されたイメージを実行し、さまざまなスケールでインタラクティブな情報をエンゲージするスケール一貫性の損失を強制する。
さらに、ResFormerは柔軟性があり、セマンティックセグメンテーション、オブジェクト検出、ビデオアクション認識に容易に拡張できることを示す。
論文 参考訳（メタデータ） (2022-12-01T18:57:20Z) - Octuplet Loss: Make Face Recognition Robust to Image Resolution [5.257115841810258]
本稿では,画像解像度に対するロバスト性を改善するために,人気三重項損失の新たな組み合わせを提案する。
我々は,高分解能画像とそれらの合成ダウンサンプリング変異体との関係をアイデンティティラベルと組み合わせて活用する。
本手法は, クロスレゾリューション (高分解能) 顔認証の性能を著しく向上させることができることを示す。
論文 参考訳（メタデータ） (2022-07-14T08:22:58Z) - A new face swap method for image and video domains: a technical report [60.47144478048589]
FaceShifterアーキテクチャに基づいた新しいフェイススワップパイプラインを導入する。
新しいアイロス機能、超解像ブロック、ガウスベースのフェイスマスク生成は、品質改善につながる。
論文 参考訳（メタデータ） (2022-02-07T10:15:50Z) - Resolution based Feature Distillation for Cross Resolution Person
Re-Identification [17.86505685442293]
人物の再識別(re-id)は、異なるカメラビューで同一人物の画像を取得することを目的としている。
解像度のミスマッチは、興味のある人とカメラの間の距離が異なるため起こる。
本稿では,複数の解像度の問題を克服するために,分解能に基づく特徴蒸留(RFD)アプローチを提案する。
論文 参考訳（メタデータ） (2021-09-16T11:07:59Z) - ORStereo: Occlusion-Aware Recurrent Stereo Matching for 4K-Resolution
Images [13.508624751092654]
Occlusion-aware Recurrent binocular Stereo matching (ORStereo) を施行した。
ORStereoは、タスクを初期予測の残差更新と改善として定式化し、大きな異なる範囲の高解像度画像を目にしないように一般化する。
合成画像と実世界の高解像度画像の両方でモデルの能力をテストします。
論文 参考訳（メタデータ） (2021-03-13T21:46:06Z) - Image Matching with Scale Adjustment [57.18604132027697]
可変スケールでの関心点の表現と抽出方法を示す。
2つの異なる解像度で2つの画像を比較する方法を提案する。
論文 参考訳（メタデータ） (2020-12-10T11:03:25Z) - Multi Scale Identity-Preserving Image-to-Image Translation Network for
Low-Resolution Face Recognition [7.6702700993064115]
本稿では,画像から画像へ変換する深層ニューラルネットワークを提案する。
アイデンティティ関連の情報を保存しながら、非常に低解像度の顔を高解像度の顔に超解き放つことができる。
論文 参考訳（メタデータ） (2020-10-23T09:21:06Z) - Invertible Image Rescaling [118.2653765756915]
Invertible Rescaling Net (IRN) を開発した。
我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
論文 参考訳（メタデータ） (2020-05-12T09:55:53Z) - Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。
特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
論文 参考訳（メタデータ） (2020-03-02T13:28:32Z) - Cross-Resolution Adversarial Dual Network for Person Re-Identification
and Beyond [59.149653740463435]
人物再識別(re-ID)は、同一人物の画像をカメラビューでマッチングすることを目的としている。
カメラと関心のある人の距離が異なるため、解像度ミスマッチが期待できる。
本稿では,クロスレゾリューションな人物のリIDに対処する新たな生成的対向ネットワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T07:21:38Z)
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。