論文の概要: Profile to Frontal Face Recognition in the Wild Using Coupled
Conditional GAN
- arxiv url: http://arxiv.org/abs/2107.13742v1
- Date: Thu, 29 Jul 2021 04:33:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-30 20:54:10.877626
- Title: Profile to Frontal Face Recognition in the Wild Using Coupled
Conditional GAN
- Title（参考訳）: 複合条件GANを用いた野生における正面顔認識のプロファイル
- Authors: Fariborz Taherkhani, Veeru Talreja, Jeremy Dawson, Matthew C. Valenti,
and Nasser M. Nasrabadi
- Abstract要約: プロファイル顔認識に有用なポーズ不変の深層表現を学習することは困難である。
我々は,条件付き生成対向ネットワーク(cpGAN)構造を利用して,プロファイルと正面画像の隠れた関係を見出す。
また,正面顔認識のための複合畳み込みニューラルネットワーク (cpCNN) と対角識別ドメイン適応ネットワーク (ADDA) を実装した。
- 参考スコア（独自算出の注目度）: 23.903991257669492
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, with the advent of deep-learning, face recognition has
achieved exceptional success. However, many of these deep face recognition
models perform much better in handling frontal faces compared to profile faces.
The major reason for poor performance in handling of profile faces is that it
is inherently difficult to learn pose-invariant deep representations that are
useful for profile face recognition. In this paper, we hypothesize that the
profile face domain possesses a latent connection with the frontal face domain
in a latent feature subspace. We look to exploit this latent connection by
projecting the profile faces and frontal faces into a common latent subspace
and perform verification or retrieval in the latent domain. We leverage a
coupled conditional generative adversarial network (cpGAN) structure to find
the hidden relationship between the profile and frontal images in a latent
common embedding subspace. Specifically, the cpGAN framework consists of two
conditional GAN-based sub-networks, one dedicated to the frontal domain and the
other dedicated to the profile domain. Each sub-network tends to find a
projection that maximizes the pair-wise correlation between the two feature
domains in a common embedding feature subspace. The efficacy of our approach
compared with the state-of-the-art is demonstrated using the CFP, CMU
Multi-PIE, IJB-A, and IJB-C datasets. Additionally, we have also implemented a
coupled convolutional neural network (cpCNN) and an adversarial discriminative
domain adaptation network (ADDA) for profile to frontal face recognition. We
have evaluated the performance of cpCNN and ADDA and compared it with the
proposed cpGAN. Finally, we have also evaluated our cpGAN for reconstruction of
frontal faces from input profile faces contained in the VGGFace2 dataset.
- Abstract（参考訳）: 近年、ディープラーニングの出現に伴い、顔認識は例外的な成功を収めている。
しかし、これらの深層顔認識モデルの多くは、プロフィール顔に比べて前面顔の扱いがはるかに優れている。
プロファイル顔の処理性能が低下する主な理由は、本質的に、プロファイル顔認識に有用なポーズ不変の深い表現を学ぶことが難しいためである。
本稿では、プロファイルフェース領域が、潜在特徴部分空間において、前面フェース領域と潜時接続を有することを仮定する。
我々は、この潜伏接続を利用して、プロファイル面と正面面を共通の潜伏部分空間に投影し、潜伏領域における検証や検索を行う。
我々は,共用条件生成対向ネットワーク(cpGAN)構造を利用して,潜在共通埋め込み部分空間において,プロファイルと正面像の隠れた関係を見出す。
具体的には、cpGANフレームワークは、2つの条件付きGANベースのサブネットワークで構成されている。
各サブネットワークは、共通の埋め込み機能部分空間内の2つの特徴領域間の対関係を最大化する射影を見つける傾向がある。
CFP, CMU Multi-PIE, IJB-A, IJB-Cデータセットを用いて本手法の有効性を実証した。
また,正面顔認識のための複合畳み込みニューラルネットワーク (cpCNN) と対角識別ドメイン適応ネットワーク (ADDA) も実装した。
我々は,cpCNNとADDAの性能を評価し,提案したcpGANと比較した。
最後に,vggface2データセットに含まれる入力プロファイルから前面顔の再構成のためのcpganの評価を行った。
関連論文リスト
- Attribute-preserving Face Dataset Anonymization via Latent Code
Optimization [64.4569739006591]
本稿では,事前学習したGANの潜時空間における画像の潜時表現を直接最適化するタスク非依存匿名化手法を提案する。
我々は一連の実験を通して、我々の手法が画像の同一性を匿名化できる一方で、顔の属性をより保存できることを実証した。
論文 参考訳（メタデータ） (2023-03-20T17:34:05Z) - Pose Attention-Guided Profile-to-Frontal Face Recognition [13.96448286983864]
本稿では,アテンション機構を介してポーズを補助情報として活用するための新しいアプローチを提案する。
我々は、プロファイル顔からポーズ非依存の特徴抽出を特別に導くために、新しいポーズアテンションブロック(PAB)を開発した。
より具体的に言うと、PABはネットワークがチャネル次元と空間次元の両方に沿って重要な特徴に焦点を合わせるのに役立つように設計されている。
論文 参考訳（メタデータ） (2022-09-15T02:06:31Z) - Heterogeneous Face Frontalization via Domain Agnostic Learning [74.86585699909459]
本研究では, 視覚領域における正面視を, ポーズのバリエーションで合成できるドメイン非依存学習型生成逆数ネットワーク(DAL-GAN)を提案する。
DAL-GANは、補助分類器を備えたジェネレータと、より優れた合成のために局所的およびグローバルなテクスチャ識別をキャプチャする2つの識別器から構成される。
論文 参考訳（メタデータ） (2021-07-17T20:41:41Z) - SuperFront: From Low-resolution to High-resolution Frontal Face
Synthesis [65.35922024067551]
本稿では,前頭前頭部を保存した高品質なアイデンティティを生成できるGANモデルを提案する。
具体的には,高分解能(HR)面を1対多のLR面から様々なポーズで合成するSuperFront-GANを提案する。
超高解像度のサイドビューモジュールをSF-GANに統合し、人事空間におけるアイデンティティ情報とサイドビューの詳細を保存します。
論文 参考訳（メタデータ） (2020-12-07T23:30:28Z) - InterFaceGAN: Interpreting the Disentangled Face Representation Learned
by GANs [73.27299786083424]
我々は、最先端のGANモデルによって学習された不整合顔表現を解釈するInterFaceGANというフレームワークを提案する。
まず、GANは潜在空間の線型部分空間で様々な意味学を学ぶ。
次に、異なる意味論間の相関関係について詳細な研究を行い、部分空間射影を通してそれらをよりよく解離させる。
論文 参考訳（メタデータ） (2020-05-18T18:01:22Z) - PF-cpGAN: Profile to Frontal Coupled GAN for Face Recognition in the
Wild [22.78667743907491]
多くのディープ・フェース・モデルでは、正面のフェースに比べてプロファイル・フェースを扱いにくい。
我々は、この接続を利用して、プロファイル顔と正面顔を共通の潜在空間に投影する。
プロファイルと正面画像の隠れた関係を見つけるために,cpGAN構造を利用する。
論文 参考訳（メタデータ） (2020-04-25T09:01:54Z) - Dual-discriminator GAN: A GAN way of profile face recognition [21.181356044588213]
本稿では,GAN(Generative Adversarial Network)に基づく画像と画像のプロファイルによる正面顔生成手法を提案する。
本稿では,GAN(Generative Adversarial Network)に基づく画像と画像のプロファイルを持つ正面顔を生成する手法を提案する。
論文 参考訳（メタデータ） (2020-03-20T06:01:58Z) - DotFAN: A Domain-transferred Face Augmentation Network for Pose and
Illumination Invariant Face Recognition [94.96686189033869]
本稿では,3次元モデルを用いたドメイン転送型顔強調ネットワーク(DotFAN)を提案する。
DotFANは、他のドメインから収集された既存のリッチフェイスデータセットから抽出された知識に基づいて、入力顔の一連の変種を生成することができる。
実験によると、DotFANは、クラス内の多様性を改善するために、小さな顔データセットを増やすのに有益である。
論文 参考訳（メタデータ） (2020-02-23T08:16:34Z) - Dual-Attention GAN for Large-Pose Face Frontalization [59.689836951934694]
本稿では,フォトリアリスティック顔フロンダル化のためのDA-GAN(Dual-Attention Generative Adversarial Network)を提案する。
具体的には、ローカル機能と長距離依存関係を統合するために、自己アテンションベースのジェネレータが導入された。
顔領域の局所的特徴を強調するために,新しい顔認識に基づく識別器を適用した。
論文 参考訳（メタデータ） (2020-02-17T20:00:56Z)
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。